2

Gostaria de remover números e/ou caracteres especiais de um texto, mas não dentro de uma palavra. Exemplo:

texto = "ol@ mundo, eu bebo H20 e nao fumo cig@rro !#& 123"

O resultado deve ser:

ol@ mundo, eu bebo H20 e não fumo cig@rro

Código:

import re

texto = "ol@ mundo, eu bebo H20 e nao fumo cig@rro !#& 123"
resultado = re.sub(r"[^\w\s]", " ", texto)

print(resultado)

Output:

ol  mundo  eu bebo H20 e nao fumo cig rro     123

2 Respostas 2

2

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.

1
  • 1
    Muito bom! Obrigado pela resposta.
    – user20273
    Commented 6/01/2021 às 21:30
0

Como uma alternativa a outra resposta:

Você pode tentar separar por palavras antes, com um split, e realizar a regex em cada elemento:

import re
texto = "ol@ mundo, eu bebo H20 e nao fumo cig@rro !#& 123"
palavras = texto.split()

palavras = [re.sub(r"[^\w\s]", "", palavra) 
    if not re.sub(r"[^\w\s]", "", palavra) 
    else palavra
    for palavra in palavras] 
print(" ".join(palavras)) #imprime "ol@ mundo, eu bebo H20 e nao fumo cig@rro  123"

Se a palavra não tiver caracteres (if not re.sub(r"[^\w\s]", "", palavra)) após a substituição significa que ela deve ser substituida, se não, usar a palavra original.

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .