Uma alternativa é usar lookarounds:
resultado = re.sub(r"(?<!\w)([^\w\s]|\d)+(?!\w)", " ", texto)
(?<!\w)
é um lookbehind negativo que verifica se antes não tem um \w
, e (?!\w)
é um lookahead negativo que verifica se depois não tem um \w
.
Entre eles eu também uso alternância (o |
, que significa "ou") para que ele pegue também números (pois o \w
também pega números, e ao negá-lo com [^
, você também estava excluindo os números da substituição).
Também uso o quantificador +
(uma ou mais ocorrências), para um ou mais caracteres que sejam [^\w\s]
ou \d
. Ou seja, a regex pega esses caracteres, desde que antes e depois não tenha um \w
(letras, números ou _
).
Você também poderia fazer split()
como a outra resposta indicou, o problema é que se a string tiver separadores diferentes de espaço (como quebras de linha, TAB, ou até mesmo mais de um espaço), todos eles serão trocados por um espaço.
Uma alternativa com split
é usar grupos de captura, pois assim os separadores também são retornados:
def substituir(s):
if re.match(r'^\s+$', s): # se é separador, não substitui
return s
return re.sub(r'^[\W\d]+$', '', s)
resultado = ''.join(map(substituir, re.split(r'(\s+)', texto)))
O split
é feito por \s+
(um ou mais espaços, TAB's, quebras de linha, etc). Como está entre parênteses, isso forma um grupo de captura e esses separadores também são retornados.
Depois basta passar cada parte resultante do split
para a função substituir
, que não faz nada caso seja um separador, e remove os casos indesejados (\W
é "tudo que não é \w
", e \d
pega os números). Também uso os marcadores ^
e $
, que indicam respectivamente o início e fim da string, garantindo que só vou substituir quando a "palavra" inteira tem os caracteres indesejados. Caso a palavra seja válida, ela não corresponderá à regex, e neste caso ela é retornada sem modificação.