¿Cómo ingresar una expresión regular en string.replace?
Necesito ayuda para declarar una expresión regular. Mis entradas son como las siguientes:
this is a paragraph with<[1> in between</[1> and then there are cases ... where the<[99> number ranges from 1-100</[99>.
and there are many other lines in the txt files
with<[3> such tags </[3>
La salida requerida es:
this is a paragraph with in between and then there are cases ... where the number ranges from 1-100.
and there are many other lines in the txt files
with such tags
He probado esto:
#!/usr/bin/python
import os, sys, re, glob
for infile in glob.glob(os.path.join(os.getcwd(), '*.txt')):
for line in reader:
line2 = line.replace('<[1> ', '')
line = line2.replace('</[1> ', '')
line2 = line.replace('<[1>', '')
line = line2.replace('</[1>', '')
print line
También probé esto (pero parece que estoy usando la sintaxis de expresiones regulares incorrecta):
line2 = line.replace('<[*> ', '')
line = line2.replace('</[*> ', '')
line2 = line.replace('<[*>', '')
line = line2.replace('</[*>', '')
No quiero codificar replacedel 1 al 99.
Este fragmento probado debería hacerlo:
import re
line = re.sub(r"</?\[\d+>", "", line)
Editar: aquí hay una versión comentada que explica cómo funciona:
line = re.sub(r"""
(?x) # Use free-spacing mode.
< # Match a literal '<'
/? # Optionally match a '/'
\[ # Match a literal '['
\d+ # Match one or more digits
> # Match a literal '>'
""", "", line)
¡ Las expresiones regulares son divertidas! Pero recomiendo encarecidamente dedicar una o dos horas a estudiar los conceptos básicos. Para empezar, necesita aprender qué caracteres son especiales: "metacaracteres" que deben tener caracteres de escape (es decir, con una barra invertida delante, y las reglas son diferentes dentro y fuera de las clases de caracteres). Hay un excelente tutorial en línea en: www .expresiones-regulares.info . El tiempo que pase allí se amortizará muchas veces. ¡Feliz expresión regular!
str.replace()hace reemplazos fijos. Úselo re.sub()en su lugar.
Yo diría esto (la expresión regular se explica en los comentarios):
import re
# If you need to use the regex more than once it is suggested to compile it.
pattern = re.compile(r"</{0,}\[\d+>")
# <\/{0,}\[\d+>
#
# Match the character “<” literally «<»
# Match the character “/” literally «\/{0,}»
# Between zero and unlimited times, as many times as possible, giving back as needed (greedy) «{0,}»
# Match the character “[” literally «\[»
# Match a single digit 0..9 «\d+»
# Between one and unlimited times, as many times as possible, giving back as needed (greedy) «+»
# Match the character “>” literally «>»
subject = """this is a paragraph with<[1> in between</[1> and then there are cases ... where the<[99> number ranges from 1-100</[99>.
and there are many other lines in the txt files
with<[3> such tags </[3>"""
result = pattern.sub("", subject)
print(result)
Si desea obtener más información sobre las expresiones regulares, le recomiendo leer el Libro de cocina de expresiones regulares de Jan Goyvaerts y Steven Levithan.
La forma más fácil
import re
txt='this is a paragraph with<[1> in between</[1> and then there are cases ... where the<[99> number ranges from 1-100</[99>. and there are many other lines in the txt files with<[3> such tags </[3>'
out = re.sub("(<[^>]+>)", '', txt)
print out
El método de reemplazo de objetos de cadena no acepta expresiones regulares sino solo cadenas fijas (consulte la documentación: http://docs.python.org/2/library/stdtypes.html#str.replace ).
Tienes que usar reel módulo:
import re
newline= re.sub("<\/?\[[0-9]+>", "", line)
