Python - 使用正则表达式查找带垃圾字符的单词

Question

我有一段扫描的文本，里面可能夹杂了一些无用的字符。这些无用的字符通常不是字母、数字或者标点符号。

我有一个正则表达式：

garbage_pat = re.compile(r"(\w*(?P<and>[^a-zA-Z0-9_ \t\n\r\f\v,.?!;:])+[\w(?P=and)]*)")

这个正则表达式可以正确找到包含一个无用字符的单词。但是如果单词里有两个或更多的无用字符，正则表达式就会把单词拆开。比如说，"aut~mo¤il" 会被拆成两个单词。请问我该如何修改我的正则表达式，让它在单词中包含两个或更多无用字符时，仍然能返回整个单词呢？

Answer 1

看起来你在寻找这样的表达式：

(\w*(?:[^a-zA-Z0-9_ \t\n\r\f\v,.?!;:]\w*)+)