Python-regex只保留带有文本字符的单词_Python_Regex

Python-regex只保留带有文本字符的单词

python regex

Python-regex只保留带有文本字符的单词,python,regex,Python,Regex,我希望在Python程序中有一个正则表达式，只保留包含字母文本字符的单词（即，没有特殊字符，如点、逗号、：，！等）我使用此代码从文本文件中获取单词： find_words = re.compile(r'\w+').findall 此正则表达式的问题在于，对于这样的输入： -----BEGIN PRIVACY-ENHANCED MESSAGE----- Proc-Type: 2001,MIC-CLEAR Originator-Name: webmaster@www.sec.gov Origin

我希望在Python程序中有一个正则表达式，只保留包含字母文本字符的单词（即，没有特殊字符，如点、逗号、：，！等）

我使用此代码从文本文件中获取单词：

find_words = re.compile(r'\w+').findall

此正则表达式的问题在于，对于这样的输入：

-----BEGIN PRIVACY-ENHANCED MESSAGE-----
Proc-Type: 2001,MIC-CLEAR
Originator-Name: webmaster@www.sec.gov
Originator-Key-Asymmetric:
 MFgwCgYEVQgBAQICAf8DSgAwRwJAW2sNKK9AVtBzYZmr6aGjlWyK3XmZv3dTINen
 TWSM7vrzLADbmYQaionwg5sDW3P6oaM5D3tdezXMm7z1T+B+twIDAQAB
MIC-Info: RSA-MD5,RSA,
 U6u1HjX9A2VnveGmx3CbhhgTr7o+NJWodWNJQjg1aSLDkLnJwruLq9hBBcqxouFq
 NY7xtb92dCTfvEjdmkDrUw==

0001393311-11-000011.txt : 20110301
0001393311-11-000011.hdr.sgml : 20110301
20110301164350
ACCESSION NUMBER:       0001393311-11-000011
CONFORMED SUBMISSION TYPE:  10-K
PUBLIC DOCUMENT COUNT:      16
CONFORMED PERIOD OF REPORT: 20101231
FILED AS OF DATE:       20110301
DATE AS OF CHANGE:      20110301

FILER:

begin
privacy
enhanced
message
proc
type
2001
mic
clear
originator
name
webmaster
www
sec
gov
originator
key
asymmetric
mfgwcgyevqgbaqicaf8dsgawrwjaw2snkk9avtbzyzmr6agjlwyk3xmzv3dtinen
twsm7vrzladbmyqaionwg5sdw3p6oam5d3tdezxmm7z1t
b
twidaqab
mic
info
rsa
md5
rsa
u6u1hjx9a2vnvegmx3cbhhgtr7o
njwodwnjqjg1asldklnjwrulq9hbbcqxoufq
ny7xtb92dctfvejdmkdruw
0001393311
11
000011
txt
20110301
0001393311
11
000011
hdr
sgml

我得到如下输出：

-----BEGIN PRIVACY-ENHANCED MESSAGE-----
Proc-Type: 2001,MIC-CLEAR
Originator-Name: webmaster@www.sec.gov
Originator-Key-Asymmetric:
 MFgwCgYEVQgBAQICAf8DSgAwRwJAW2sNKK9AVtBzYZmr6aGjlWyK3XmZv3dTINen
 TWSM7vrzLADbmYQaionwg5sDW3P6oaM5D3tdezXMm7z1T+B+twIDAQAB
MIC-Info: RSA-MD5,RSA,
 U6u1HjX9A2VnveGmx3CbhhgTr7o+NJWodWNJQjg1aSLDkLnJwruLq9hBBcqxouFq
 NY7xtb92dCTfvEjdmkDrUw==

0001393311-11-000011.txt : 20110301
0001393311-11-000011.hdr.sgml : 20110301
20110301164350
ACCESSION NUMBER:       0001393311-11-000011
CONFORMED SUBMISSION TYPE:  10-K
PUBLIC DOCUMENT COUNT:      16
CONFORMED PERIOD OF REPORT: 20101231
FILED AS OF DATE:       20110301
DATE AS OF CHANGE:      20110301

FILER:

begin
privacy
enhanced
message
proc
type
2001
mic
clear
originator
name
webmaster
www
sec
gov
originator
key
asymmetric
mfgwcgyevqgbaqicaf8dsgawrwjaw2snkk9avtbzyzmr6agjlwyk3xmzv3dtinen
twsm7vrzladbmyqaionwg5sdw3p6oam5d3tdezxmm7z1t
b
twidaqab
mic
info
rsa
md5
rsa
u6u1hjx9a2vnvegmx3cbhhgtr7o
njwodwnjqjg1asldklnjwrulq9hbbcqxoufq
ny7xtb92dctfvejdmkdruw
0001393311
11
000011
txt
20110301
0001393311
11
000011
hdr
sgml

这不是我想要的，因为

A）它不保留我希望它保留的单词，如

“Accession”，“Number”

等，它还保留了

mfgwcgyevqgbaqicaf8dsgawrwjaw2snkk9avtbzyzmr6agjlwyk3xmzv3dtinen等我不想保留的东西，因为单词中有数字，它还保留了0001393311
等我不想保留的东西
关于如何获得我想要的单词
有什么想法吗？（即仅包含字母字符）。
如果需要提取以非字母分隔的单词，可以使用\b[a-zA-Z]+\b
regex（从发起人姓名：
输出发起人
和名称
）
如果您想限制最有可能是单词的实体，我建议如下：
（
请参阅。此正则表达式将限制匹配数。
我将使用：
(?<=^|\P{L})\p{L}+(?=\P{L}|$)

在这里，您实际上需要使用否定的lookbehind断言
(?<!\S)[A-Za-z]+(?!\S)|(?<!\S)[A-Za-z]+(?=:(?!\S))

（？

（？匹配必须包含字母的确切单词

|
或
（？一个或多个单词字符后面必须跟一个冒号，冒号后面不能跟非空格字符。您也可以使用（？=：\s）
模式，而不是（？=：（！\s））


你是说这个r'\b[A-Za-z]+\b'
？如果我有psa:DaytonedMoreRoadMember，这给了我两个词psa和DaytonedMoreRoadMember，但我不想要，因为它无效tryr'（？@adrCoder有效的标准是什么？也许你可以先从形式化开始。@adrCoder-如果“Number:”包含一个有效的词（数字），那么为什么不“psa:DaytoneedMoreRoadMember”（psa）？凭直觉，人们可能很容易理解为什么，但计算机并不是凭直觉做事情的，你必须从你的直觉理解中，提取出精确的规则给计算机程序。find_words=re.compile（r’（？@adrCoder:对于Python不确定，但你可以尝试\p{L}
而不是\pL
，请参见我的编辑。仍然给出相同的错误raise error，v#无效的表达式sre_常量。错误：look behind需要固定宽度的模式
，但我将尝试查看它是否可以工作。感谢您的建议，它编译但不返回单词…我正在调用find_words=re.compile（r'（？@adrCoder:我不太懂python语法，但它不是：find_words=re.findall（r'）（？）？
(?<!\S)[A-Za-z]+(?!\S)|(?<!\S)[A-Za-z]+(?=:(?!\S))