Olhando na documentação do método replace
, é dito que:
Return a copy of the string with all occurrences of substring old replaced by new
Ou seja, se você fizer string.replace('alguma coisa', 'outra coisa')
, todas as ocorrências de "alguma coisa"
serão substituídas por "outra coisa"
. E se no lugar de "outra coisa" você passar a string vazia (''
ou ""
- repare que não há nada entre as aspas), o "alguma coisa"
é trocado por "nada", o que na prática é o mesmo que remover o trecho "alguma coisa"
.
Sendo assim, se você deve obrigatoriamente usar somente replace
e a lista de caracteres a serem removidos, não tem jeito, tem que remover um a um. Assim:
simbolos_pontuacao = ["'", '"', ",", ".", "!", ":", ";", '#', '@']
texto = 'Lorem: "ipsum" \'dolor\', sit! Amet; bla... bl@ #etc#, whiskas sache!!'
# para cada símbolo, remove-o da string
for c in simbolos_pontuacao:
texto = texto.replace(c, '')
print(texto) # Lorem ipsum dolor sit Amet blabl etc whiskas sache
Não é lá muito eficiente porque cada chamada de replace
cria uma nova string (por isso que eu preciso atribuir o retorno na variável texto
).
Para quem gosta de uma "pegada" mais funcional, também dá para usar reduce
:
from functools import reduce
texto = reduce(lambda t, s: t.replace(s, ''), simbolos_pontuacao, texto)
Que no fundo faz a mesma coisa que o loop, só que com mais overhead...
Enfim, usando replace
, não tem muito como fugir disso. Mas existem outras formas de fazer.
Outra forma é percorrer cada caractere da string e verificar se ela pertence à lista. Então eu junto todos que não pertencem e monto outra string:
texto = ''.join(c for c in texto if c not in simbolos_pontuacao)
Também não deve ser muito eficiente porque para cada caractere da string eu tenho que percorrer toda a lista simbolos_pontuacao
para verificar se o caractere é um dos que devem ser removidos (como o operador in
faz uma busca linear, a lista será percorrida várias vezes).
Uma alternativa é trocar a lista por um set
, pois a busca em set
's é mais rápida se comparado a uma lista:
# usar set em vez de lista
simbolos_pontuacao = {"'", '"', ",", ".", "!", ":", ";", '#', '@'}
texto = ''.join(c for c in texto if c not in simbolos_pontuacao)
Outra alternativa é usar regex. Como todos os símbolos da lista só tem um caractere, posso juntá-los em uma classe de caracteres: ['",.!:;#@]
. Assim, a substituição é feita de uma vez:
import re
r = re.compile(f'[{"".join(simbolos_pontuacao)}]')
texto = r.sub('', texto)
Se algum elemento da lista simbolos_pontuacao
tivesse mais de um caractere, aí eu não poderia usar a classe de caracteres. Por exemplo, se tivesse ab
na lista, então [ab]
não serviria, pois isso significa "a letra a
ou a letra b
". Neste caso, eu tenho que usar alternância:
# incluí um elemento com mais de um caractere
simbolos_pontuacao = ['...', "'", '"', ",", "!", ":", ";", '#', '@']
texto = 'Lorem: "ipsum" \'dolor\', sit! Amet; bla... bl@ #etc#, whiskas sache!!'
import re
r = re.compile(f'({"|".join(map(re.escape, simbolos_pontuacao))})')
texto = r.sub('', texto)
print(texto) # Lorem ipsum dolor sit Amet blabl etc whiskas sache
Neste caso a regex se tornou (\.\.\.|'|"|,|!|:|;|\#|@)
. Repare que o ponto foi escrito como \.
, já que ele possui significado especial em regex (significa "qualquer caractere, exceto quebras de linha"), então para que ele corresponda a somente o caractere .
, tenho que escapá-lo com \
, e isso é feito por re.escape
.
No primeiro caso eu não precisei do escape porque os metacaracteres "perdem seus poderes" quando estão dentro de colchetes (nesse caso eu só precisaria escapar os próprios colchetes).