python - Python正则表达式删除空格并在空格所在的位置大写字母？

Question

我想从用户提供的单个输入框中创建标签列表，并用逗号分隔，我正在寻找一些表达式来帮助实现此目的。

我想要提供的输入字段和：


删除所有double +空格，制表符，换行（仅保留单个空格）
删除所有（双引号和双引号），逗号除外，逗号只能是
在每个逗号之间，我想要类似“标题大小写”的内容，但不包括第一个单词，根本不包含单个单词，以便在删除最后一个空格时，标记显示为“ somethingLikeTitleCase”或“ something”或“ twoWords” '
最后，删除所有剩余的空间


到目前为止，这是我到目前为止收集的内容：

def no_whitespace(s):
"""Remove all whitespace & newlines. """
    return re.sub(r"(?m)\s+", "", s)


# remove spaces, newlines, all whitespace
# http://stackoverflow.com/a/42597/523051

  tag_list = ''.join(no_whitespace(tags_input))

# split into a list at comma's

  tag_list = tag_list.split(',')

# remove any empty strings (since I currently don't know how to remove double comma's)
# http://stackoverflow.com/questions/3845423/remove-empty-strings-from-a-list-of-strings

  tag_list = filter(None, tag_list)

尽管要修改该正则表达式以删除除逗号以外的所有标点符号，我还是迷失了，我什至不知道从哪里开始大写。

有什么想法让我朝正确的方向前进吗？



如建议的那样，这是一些示例输入= required_outputs

形式：“ tHiS is a tAg，'whitespace'！＆＃^，secondcomment，no！punc $$，ifNOSPACESthenPRESERVEcaps”应显示为
    ['thisIsATag'，'secondcomment'，'noPunc'，'ifNOSPACESthenPRESERVEcaps']

Answer 1

这是解决问题的一种方法（尽管可以使用一个正则表达式，但它没有使用任何正则表达式）。我们将问题分为两个函数：一个函数将字符串拆分为逗号分隔并处理每个片断（parseTags），另一个函数则将字符串处理并将其处理为有效标记（sanitizeTag）。带注释的代码如下：

# This function takes a string with commas separating raw user input, and
# returns a list of valid tags made by sanitizing the strings between the
# commas.
def parseTags(str):
    # First, we split the string on commas.
    rawTags = str.split(',')

    # Then, we sanitize each of the tags.  If sanitizing gives us back None,
    # then the tag was invalid, so we leave those cases out of our final
    # list of tags.  We can use None as the predicate because sanitizeTag
    # will never return '', which is the only falsy string.
    return filter(None, map(sanitizeTag, rawTags))

# This function takes a single proto-tag---the string in between the commas
# that will be turned into a valid tag---and sanitizes it.  It either
# returns an alphanumeric string (if the argument can be made into a valid
# tag) or None (if the argument cannot be made into a valid tag; i.e., if
# the argument contains only whitespace and/or punctuation).
def sanitizeTag(str):
    # First, we turn non-alphanumeric characters into whitespace.  You could
    # also use a regular expression here; see below.
    str = ''.join(c if c.isalnum() else ' ' for c in str)

    # Next, we split the string on spaces, ignoring leading and trailing
    # whitespace.
    words = str.split()

    # There are now three possibilities: there are no words, there was one
    # word, or there were multiple words.
    numWords = len(words)
    if numWords == 0:
        # If there were no words, the string contained only spaces (and/or
        # punctuation).  This can't be made into a valid tag, so we return
        # None.
        return None
    elif numWords == 1:
        # If there was only one word, that word is the tag, no
        # post-processing required.
        return words[0]
    else:
        # Finally, if there were multiple words, we camel-case the string:
        # we lowercase the first word, capitalize the first letter of all
        # the other words and lowercase the rest, and finally stick all
        # these words together without spaces.
        return words[0].lower() + ''.join(w.capitalize() for w in words[1:])

确实，如果运行此代码，我们将得到：

>>> parseTags("tHiS iS a tAg, \t\n!&#^ , secondcomment , no!punc$$, ifNOSPACESthenPRESERVEcaps")
['thisIsATag', 'secondcomment', 'noPunc', 'ifNOSPACESthenPRESERVEcaps']

这段代码中有两点值得澄清。首先是在 str.split()中使用 sanitizeTags。这会将 a b c变成 ['a','b','c']，而 str.split(' ')将产生 ['','a','b','c','']。这几乎肯定是您想要的行为，但是有一个极端的情况。考虑字符串 tAG$。 $变成一个空格，并被拆分剥离；因此，它变成了 tAG而不是 tag。这可能是您想要的，但如果不是，则必须小心。我要做的是将该行更改为 words = re.split(r'\s+', str)，它将在空白处分割字符串，但保留前导和尾随的空字符串；但是，我也将 parseTags更改为使用 rawTags = re.split(r'\s*,\s*', str)。您必须同时进行这两项更改。 'a , b , c'.split(',') becomes ['a ', ' b ', ' c']，这不是您想要的行为，而 r'\s*,\s*'也会删除逗号周围的空格。如果您忽略开头和结尾的空格，则区别并不重要；但是如果不这样做，则需要小心。

最后，不使用正则表达式，而是使用 str = ''.join(c if c.isalnum() else ' ' for c in str)。您可以根据需要将其替换为正则表达式。 （编辑：我在这里消除了一些有关Unicode和正则表达式的错误。）忽略Unicode，您可以将这一行替换为

str = re.sub(r'[^A-Za-z0-9]', ' ', str)

它使用 [^...]匹配除列出的字符外的所有字符：ASCII字母和数字。但是，支持Unicode更好，而且也很容易。最简单的方法是

str = re.sub(r'\W', ' ', str, flags=re.UNICODE)

在这里， \W匹配非单词字符；单词字符是字母，数字或下划线。指定 flags=re.UNICODE（在python 2.7之前不可用；可以将 r'(?u)\W'用于早期版本和2.7），字母和数字都是任何适当的Unicode字符；没有它，它们只是ASCII。如果您不想使用下划线，则可以将 |_添加到正则表达式中以匹配下划线，也可以将它们替换为空格：

str = re.sub(r'\W|_', ' ', str, flags=re.UNICODE)

我相信，这最后一个完全符合我不使用正则表达式的代码的行为。



另外，这就是我如何在没有这些注释的情况下编写相同的代码；这也使我消除了一些临时变量。您可能更喜欢带有变量的代码。这只是一个品味问题。

def parseTags(str):
    return filter(None, map(sanitizeTag, str.split(',')))

def sanitizeTag(str):
    words    = ''.join(c if c.isalnum() else ' ' for c in str).split()
    numWords = len(words)
    if numWords == 0:
        return None
    elif numWords == 1:
        return words[0]
    else:
        return words[0].lower() + ''.join(w.capitalize() for w in words[1:])

要处理新希望的行为，我们需要做两件事。首先，我们需要一种方法来固定第一个单词的大写：如果第一个字母的小写字母，则将整个单词都小写；如果第一个字母的大写字母，则将除了第一个字母之外的所有单词都小写。这很容易：我们可以直接进行检查。其次，我们希望将标点符号视为完全不可见：不应将以下单词大写。同样，这很容易-我什至讨论了如何处理上述类似问题。我们只是过滤掉所有非字母数字，非空格字符，而不是将它们转换为空格。整合这些变化使我们

def parseTags(str):
    return filter(None, map(sanitizeTag, str.split(',')))

def sanitizeTag(str):
    words    = filter(lambda c: c.isalnum() or c.isspace(), str).split()
    numWords = len(words)
    if numWords == 0:
        return None
    elif numWords == 1:
        return words[0]
    else:
        words0 = words[0].lower() if words[0][0].islower() else words[0].capitalize()
        return words0 + ''.join(w.capitalize() for w in words[1:])

运行此代码将为我们提供以下输出

>>> parseTags("tHiS iS a tAg, AnD tHIs, \t\n!&#^ , se@%condcomment$ , No!pUnc$$, ifNOSPACESthenPRESERVEcaps")
['thisIsATag', 'AndThis', 'secondcomment', 'NopUnc', 'ifNOSPACESthenPRESERVEcaps']