如何从文本中删除除文字和表情符号之外的所有内容？

Question

作为文本分类问题的一部分，我正在尝试清理文本数据集。到目前为止，我删除了除文本之外的所有内容。标点符号、数字、表情符号——一切都被删除了。现在我尝试使用表情符号作为特征，因此我想保留单词和表情符号。

首先，我在文本中搜索表情符号，并将它们与其他单词/表情符号分开。这是因为每个表情符号都应该单独处理。因此，我搜索了一个表情符号，并在其两端填充了空格。

但我在弄清楚如何结合已知的单词和表情符号正则表达式时不知所措。这是我当前的代码：

import re

def clean_text(raw_text):

    padded_emoji_text = pad_emojis(raw_text)
    print("Emoji padded text: " + padded_emoji_text)

    reg = re.compile("[^a-zA-Z]") # line a

    # old regex to remove everything except words  
    letters_only_text = reg.sub(' ', raw_text)
    print("Cleaned text: " + letters_only_text)

    # Code to remove everything except text and emojis
    # How?

def pad_emojis(raw_text):

    print("Original Text: " + raw_text)

    reg = re.compile(u'['
      u'\U0001F300-\U0001F64F'
      u'\U0001F680-\U0001F6FF'
      u'\u2600-\u26FF\u2700-\u27BF]', 
      re.UNICODE)

    #padding the emoji with space at both ends
    new_text = reg.sub(r' \g<0> ',raw_text) 

    return new_text

text = "I am very #happy man! but my wife is not . 99/33"
clean_text(text)

当前操作数：

Original Text: I am very #happy man! but my wife is not . 99/33
Emoji padded text: I am very #happy man! but     my wife   is not     . 99/33
Cleaned text: I am very  happy man  but   my wife  is not

我想要实现的目标：

I am very happy man but     my wife   is not    

问题：

1）如何将表情符号正则表达式与单词正则表达式一起添加到正则表达式编译中？（a行）

2）我还能以更好的方式实现我所寻求的目标，即不必编写单独的函数来分隔表情符号并用空格填充它们吗？我不知何故觉得这是可以避免的。

Answer 1

您可以使用单个正则表达式和 a 中的 lambda 表达式将这两个步骤合二为一，re.sub如下所示：

import re

emoji_pat = '[\U0001F300-\U0001F64F\U0001F680-\U0001F6FF\u2600-\u26FF\u2700-\u27BF]'
shrink_whitespace_reg = re.compile(r'\s{2,}')

def clean_text(raw_text):
    reg = re.compile(r'({})|[^a-zA-Z]'.format(emoji_pat)) # line a
    result = reg.sub(lambda x: ' {} '.format(x.group(1)) if x.group(1) else ' ', raw_text)
    return shrink_whitespace_reg.sub(' ', result)

text = 'I am very #happy man! but my wife is not . 99/33'
print('Cleaned text: ' + clean_text(text))
# => Cleaned text: I am very happy man but   my wife  is not  

查看Python 演示

解释：

• 第一个正则表达式看起来像([\U0001F300-\U0001F64F\U0001F680-\U0001F6FF\u2600-\u26FF\u2700-\u27BF])|[^A-Za-z]并将匹配表情符号并将其捕获到第 1 组中，或者仅匹配 ASCII 字母以外的任何字符。如果表情符号被捕获（参见if x.group(1)lambda 内部），则表情符号将返回，两侧带有空格，否则，空格将用于替换非字母
• 该\s{2,}模式将匹配 2 个或多个空格，并将shrink_whitespace_reg.sub(' ', result)用一个空格替换所有这些块。