這篇文章給大家分享的是有關(guān)Python如何處理中文標點符號大集合的內(nèi)容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。
中文文本中可能出現(xiàn)的標點符號來源比較復(fù)雜，通過匹配等手段對他們處理的時候需要格外小心，防止遺漏。以下為在下處理中文標點的時候采用的兩種方法:
中文標點集合
比較常見標點有這些：
??？?＂?！纾ィΓВǎ?，－／：；＜＝＞＠［＼］＾＿｀｛｜｝～?????、〃》「」『』【】〔〕〖〗?????〝〞????–—‘'?“”??…?﹏.
調(diào)用zhon包的zhon.hanzi.punctuation函數(shù)即可得到這些中文標點。
如果想用英文的標點，則可調(diào)用string包的string.punctuation函數(shù)可得到：
重慶分公司
重慶分公司
!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~因此，比如需要將所有標點符號去除，可以進行以下操作：
>>> import re
>>> from zhon.hanzo import punctuation
>>> line = "測試。。去除標點。。"
>>> print re.sub("[{}]+".format(punctuation), "", line.decode("utf-8")) # 需要將str轉(zhuǎn)換為unicode當然，如果想去除重復(fù)的符號而只保留一個，那么可以用\1指明：比如
>>> re.sub(ur"([{}])+".format(punctuation), "\1", line.decode("utf-8"))你也可以手工指定這些標點符號
punctuation = """！？?＂?！纾ィΓВǎ?；＜＝＞＠［＼］＾＿｀｛｜｝～?????、〃》「」『』【】〔〕〖〗?????〝〞????–—‘'?“”??…?﹏"""
re_punctuation = "[{}]+".format(punctuation)
line = re.sub(re_punctuation, "", line)可以通過直接指定unicode碼范圍的辦法來strip，比如:
去除所有半角全角符號，只留字母、數(shù)字、中文
def remove_punctuation(line):
rule = re.compile(ur"[^a-zA-Z0-9\u4e00-\u9fa5]")
line = rule.sub('',line)
return line漢字的范圍為”\u4e00-\u9fa5“，這個是用Unicode表示的，所以前面必須要加”u“；字符”r“的意思是表示忽略后面的轉(zhuǎn)義字符，這樣簡化了后面正則表達式里每遇到一個轉(zhuǎn)義字符還得挨個轉(zhuǎn)義的麻煩
最后可以組合成為一個函數(shù)
def remove_punctuation(line, strip_all=True):
if strip_all:
rule = re.compile(ur"[^a-zA-Z0-9\u4e00-\u9fa5]")
line = rule.sub('',line)
else:
punctuation = """??？?＂?！纾ィΓВǎ?；＜＝＞＠［＼］＾＿｀｛｜｝～?????、〃》「」『』【】〔〕〖〗?????〝〞????–—‘'?“”??…?﹏"""
re_punctuation = "[{}]+".format(punctuation)
line = re.sub(re_punctuation, "", line)
return line.strip()清洗完畢后，有時候我們希望按照多個標點符號來分割
比如只要遇到中文或英文的逗號和句號等符號就分割，可以直接用translate把這些符號翻譯為統(tǒng)一的分隔符，再split:
strip_chars = '？"。.，,《》[]〖〗“”'
single_line = single_line.translate(str.maketrans(dict.fromkeys(strip_chars, '#')))
single_line = single_line.split('#')感謝各位的閱讀！關(guān)于“Python如何處理中文標點符號大集合”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！
