Python 从字符串开头删除连续字符

最好的办法是去掉维基百科参考资料开头的字母

e、 g.来自

《星球大战第三集：西斯的复仇》（DVD）。20世纪福克斯。2005年

到

星球大战第三集：西斯的复仇（DVD）。20世纪福克斯。2005年

我已经拼凑出了一个可行的解决方案，但看起来很笨重。我的版本使用格式为“^（？：a（？：b（？：c）？）？”的正则表达式。什么是正确、快速的方法

a = list('abcdefghijklmnopqrstuvwxyz')
reg = "^%s%s" % ( "".join(["(?:%s " %b for b in a]), ")?"*len(a) )
re.sub(reg, "", "a b c d Wikipedia Reference")

---

在正则表达式中使用字符类如何，即：

re.sub('^([a-z] )*', '', ...)

---

这将删除任何数量的单个字母字符后跟单个空格的前导引用。

我可能会这样做：

title = re.sub(r'^([a-z]\s)*', '', 'a b c d Wikipedia Reference')

---

这和你在那里得到的一样。然而，正如@joran beasley所指出的，对于复杂的案例，你可能需要一些更聪明的方法。

他们是否总是遵循这样的模式，即标题前面有四个额外的字母，中间有空格？如果是这样，您可以这样做：

s = "a b c d Star Wars Episode III: Revenge of the Sith (DVD). 20th Century Fox. 2005."
if all([len(x) == 1 and x.isalpha() for x in s.split()[0:4]]):
    print s[8:]

---

如果您是复制和粘贴网页文本，而不是处理html，则问题中提到的一些问题是不可避免的。但是在处理html（如下所示的相关行）时，您可以将

c

（这有助于c）等项作为单位删除。[编辑：我现在看到HTMLIB已被弃用；我不知道合适的替代品，但我相信是的。]

显示的行有点像

^《星球大战：第三集西斯的复仇》DVD评论，由乔治·卢卡斯、里克·麦卡勒姆、罗布·科尔曼、约翰·诺尔和罗杰·盖特主演，[2005]

该行的html源代码是

---

《星球大战：第三集西斯的复仇》DVD评论，由乔治·卢卡斯、里克·麦卡勒姆、罗布·科尔曼、约翰·诺尔和罗杰·盖特主演，[2005]
一个男孩和他的狗怎么办？
？说得好。我想，解决这个问题意味着解析HTML而不是纯文本。虽然，不定冠词总是可以牺牲的；）美好的虽然我们不遵守顺序（例如，它将匹配“acd”），但我无法想象在可读性好得多的情况下会出现问题。在发布问题后，我对这个选项进行了基准测试（虽然使用了+而不是*），发现它的速度是原来的2.3倍。当然，解析源代码是一个更好的主意，我会使用BeautifulSoup和/或lxml来实现这一点。还有一些特定的mediawiki解析器可用，这可能是最佳选择。