python - 如何使用正则表达式删除字符串中的数字，主题标签中的数字除外

Question

我正在处理一些 Twitter 文本，我想删除一条推文中的所有数字，但出现在主题标签中的数字除外。例如，

'I wrote 16 scripts in #code100day challenge2019 in 10day' 

应该变成

'I wrote scripts in #code100day challenge in day'

请注意，不与字母字符分开的数字也应删除(即 'challenge2019' --> 'challenge', '10day' --> 'day').

我试过:

text = 'I wrote 16 scripts in #code100day challenge2019 in 10day'
text = re.sub(r"^(?!#)\d+", "", text)

但它不会对输入字符串做任何事情。

我还进行了负向回顾，试图删除除 '#' 符号之后的所有数字:

text = re.sub(r"(?<!#)\d+", "", text)

但现在它会删除所有数字字符，无论是否在主题标签中:

'I wrote  scripts in #codeday challenge in day'

有什么建议吗？

Answer 1

一个选项是匹配 # 后跟非空格字符(并且，如果匹配，替换为整个匹配项，有效地保留主题标签)，或匹配数字字符并删除它们:

output = re.sub(
    r'#\S+|\d+',
    lambda match: match.group(0) if match.group(0).startswith('#') else '',
    txt
)

如果您可以使用正则表达式模块，则可以在匹配主题标签后使用 (*SKIP)(*FAIL) 来代替，以在匹配时有效地跳过它们:

output = regex.sub(r'#\S+(*SKIP)(*FAIL)|\d+', '', txt)