python - 如何从 Unicode 文件中删除字母数字单词

Question

我需要使用字典数据库，但其中大部分是一些字母数字无用的东西，有趣的字段要么是非字母数字(例如汉字)，要么在一些括号内。我搜索了很多，了解了很多工具，如 sed、awk、grep 等，我什至想过创建一个 Python 脚本来解决这个问题，但我从未找到解决方案。

数据库的一行如下所示:

助 L1782 DN1921 K407 O431 DO346 MN2313 MP2.0376 E314 IN623 DA633 DS248 DF367 DH330 DT284 DC248 DJ826 DG211 DM1800 P1-5-2 I2g5.1 Q7412.7 DR3945 Yzhu4 Wjo ジョ たす.ける たす.かる す.ける すけ {help} {rescue} {assist} 

我需要它是这样的:

助 ジョ たす.ける たす.かる す.ける すけ {help} {rescue} {assist} 

我可以使用上述任何工具来完成此操作吗？

Answer 1

如果您仍然需要，这里有一个 Python 解决方案:

import re
alpha_brack = re.compile(r"([a-zA-Z0-9.\-]+)|({.*?})")

my_string = """
助 L1782 DN1921 K407 O431 DO346 MN2313 MP2.0376 E314 IN623 DA633 DS248 DF367 
DH330 DT284 DC248 DJ826 DG211 DM1800 P1-5-2 I2g5.1 Q7412.7 DR3945 Yzhu4 
Wjo ジョ たす.ける たす.かる す.ける すけ {help} {rescue} {assist}"""

match = alpha_brack.findall(my_string)

new_string = my_string

for g0, _ in match: # only care about first group!
    new_string = new_string.replace(g0,'',1) # replace only first occurence!

final = re.sub(r'\s{2,}',' ', new_string) # finally, clean up whitespace

print(final)

我的结果:

'助ジョ たすける たすかる すける すけ {帮助} {救援} {协助}'