正则表达式：匹配包含特殊字符或'http://'的单词

Question

我想找到那些包含特殊字符或者以 'http://' 开头的词。

比如这句话：

%he#llo, 我的网页是: http://www.url.com/abcdef123

应该变成这样：

我的网页

到目前为止，我有这个：

re.sub(r"^[^\w]", " ", "%he#llo, my website is: http://www.url.com/abcdef123")

这段代码只是去掉了符号，但没有去掉和这些符号相关的词（也没有去掉 ':' 和 ','），更没有去掉网址。

Answer 1

这里不是在用正则表达式，但也许这样做可以有效？（我假设':'和'/'是特殊字符，所以它会隐含地去掉网址）

def good_word(word):
    import string
    for c in word:
        if not c in string.ascii_letters:
            return False
    return True

def clean_string(str):
    return ' '.join([w for w in input.split() if good_word(w)])

print clean_string("%he#llo, my website is: http://www.url.com/abcdef123")

Answer 2

你可以使用前瞻匹配：

>>> re.findall(r"(?:\s|^)(\w+)(?=\s|$)", "Start %he#llo, my website is: http://www.url.comabcdef123 End")
['Start', 'my', 'website', 'End']

解释：

• (?:\s|^) 的意思是我们的单词要么是正则表达式的开头，要么前面有一个空格。（而这个空格不算在单词里）。
• (\w+) 匹配一个单词（这正是我们关心的内容）。
• (?=\s|$) 的意思是我们的单词后面要么是空格，要么是字符串的结尾。（同样，这个空格也不算在单词里）。

Answer 3

对于你给出的示例字符串，下面这个正则表达式可以正常工作：

>>> a = '%he#llo, my website is: http://www.url.com/abcdef123'
>>> re.findall('(http://\S+|\S*[^\w\s]\S*)',a)
['%he#llo,', 'is:', 'http://www.url.com/abcdef123']

...或者你可以用 re.sub 来去掉那些词。

>>> re.sub('(http://\S+|\S*[^\w\s]\S*)','',a)
' my website  '

这里的 | 表示“或者”，它会匹配组内任一边的表达式。左边的部分匹配 http:// 后面跟着一个或多个非空格字符。右边的部分匹配零个或多个非空格字符，后面跟着一个不是字母或空格的字符，再后面是零个或多个非空格字符——这确保了你有一个包含至少一个非字母字符且没有空格的字符串。

更新：当然，正如其他回答隐含的意思，由于 http:// 前缀里有一个非字母字符（/），你不需要把它作为一个选择项——你可以把正则表达式简化为 \S*[^\w\s]\S*。不过，上面的带有“或者”的例子可能还是有用的。