我正在清理一些我从PDF中提取的文本分析数据。我注意到其中一个错误是以“y”结尾的单词中的奇怪间距。具体来说,最后的y是从一个空格中删除的:theor y
。我正在尝试使用re.sub
来识别这些实例然后折叠空间。
我已经能够写出我认为是一个很好的正则表达式字符串(请参阅https://regex101.com/r/M1jpe6/5),但我没有得到我期望的结果。我怀疑我错过了关于re.sub
方法的一些东西。
这是我的玩具代码。
import re
string = 'this is my theor y of dance'
regex_y = r'\b\w*\b(\sy)\b'
new_string = re.sub(regex_y, 'y', string)
print(new_string)
我期望从上面打印的是
this is my theory of dance
但实际打印的是
this is my y of dance
由于我的正则表达式中唯一的捕获组是(\sy)
,我期望用y
替换y
。相反,很明显我匹配更大的字符串theor y
然后用y
替换整个事情。
当我只捕获(\sy)
时,为什么会发生这种情况?如何编写我的re.sub
字符串,以便它按照我的意图工作?
你的例子有点做作,但如果你想在悬空y
字符之前删除空格,我会用这个:
string = 'this is my theor y of dance'
string = re.sub(r'\b\s+y\b', 'y', string)
print(string)
this is my theory of dance
在这里使用捕获组的问题是您想要显示整个输入句子,并进行一些修改。使用捕获组方法,您需要匹配并捕获整个字符串。