Java通过正则剔除乱码_正则表达式 - 去掉乱码字符/提取字符串中的中文字符/提取字符串中的大小写字母

1.乱码符号种类较少，用replace()

2.乱码字符种类较多，用re.sub()

3.提取字符串中的中文字符

4.提取字符串中的中文字符和数字

5.提取其他

数据清洗的时候一大烦恼就是数据中总有各种乱码字符，比如！@#￥%……&——+*(){}：“》《？|【】‘；/。，、-=

去掉这些很简单：

1.乱码符号种类较少，用replace()

如果只是很少类型的乱码符号，可以使用replace来替换掉，由于我们只是针对字符串中个别字符进行替换，因此使用str.replace("#","")即可；

#只有一类乱码字符串

df['name'] = df['name'].str.replace("#","")

#连续多个字符一起替换

df['name'] = df['name'].str.replace("#","").str.replace("&","").str.replace("*","")

2.乱码字符种类较多，用re.sub()

import re

string = "北京大学beijing985大学@#￥……&{}*@$%)..+_)("

string_code = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])","",string)

print(string_code )

#输出：北京大学beijing985大学

这种方法的清洗，我们使用的其实是正则表达式，上述方法是提取了字符串中的中英文和数字，当然你也可以直提取中文，不同字符对应的 unicode 范围如下所示：

函数

说明

sub(pattern,repl,string)

把字符串中的所有匹配表达式pattern中的地方替换成repl

[^**]

表示不匹配此字符集中的任何一个字符

\u4e00-\u9fa5

汉字的unicode范围

\u0030-\u0039

数字的unicode范围

\u0041-\u005a

大写字母unicode范围

\u0061-\u007a

小写字母unicode范围

3.提取字符串中的中文字符

import re

string = "北京大学beijing985大学@#￥……&{}*@$%)..+_)("

#提取中文字符

string_code = re.sub(u"([^\u4e00-\u9fa5])","",string)

print(string_code )

#输出：北京大学大学

4.提取字符串中的中文字符和数字

import re

string = "北京大学beijing985大学@#￥……&{}*@$%)..+_)("

#提取中文字符和数字

string_code = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039])","",string)

print(string_code )

#输出：北京大学985大学

5.提取其他

至于提取其他字符，可以根据正则表达式的 unicode 范围，并参照上述三个例子敲代码。

Java通过正则剔除乱码_正则表达式 - 去掉乱码字符/提取字符串中的中文字符/提取字符串中的大小写字母 - Python代码...相关推荐

正则表达式 - 去掉乱码字符/提取字符串中的中文字符/提取字符串中的大小写字母 - Python代码
目录 1.乱码符号种类较少,用replace() 2.乱码字符种类较多,用re.sub() 3.提取字符串中的中文字符 4.提取字符串中的中文字符和数字 5.提取其他数据清洗的时候一大烦恼就是数据中 ...
java a标签正则_正则表达式：java中婚配HTML中a标签中的中文字符
正则表达式:java中匹配HTML中a标签中的中文字符今天群里一位朋友问到了一个正则表达式的问题,有如下内容: 特432 453543 a1特123你好123吗? 特2 标签中的文字现在要匹配出内容 ...
发送附件时，防止文件名中的中文字符变成乱码
在.net2005中,利用System.Net.Mail;下的MailMessage类发送邮件,为了防止附件文件名中的中文字符变成乱码,需要加attachment.NameEncoding = Enc ...
批量修改图片名称（去掉原名字中的中文字符和空格）
python批量修改图片名称,去掉原名字中的中文字符和空格如名字:KJG-A电泵冷油器泄漏4-20190219161731 (1).jpg-->KJG-A4-20190219161731(1) ...
java正则出现次数_正则表达式（二）—匹配次数的正则
正则表达式匹配次数的正则在前一篇文章中,我们总结了和位置相关的正则,在这篇文章中,我们将继续学习正则表达式其它的内容. 假如现在给你一个regular_1.txt文件,让你找出含有连续2个a的行, ...
java正则匹配汉字_正则表达式匹配中文汉字
文章告诉你如何利用php教程正则表达式匹配中文汉字哦,下面我们主要讲利用preg_match mb_eregi来验证汉字,并且正则过程出现问题的解决方法. preg_match("/[a- ...
java正则匹配换行_正则表达式怎么匹配换行符
正则表达式匹配文本中包含换行符等空白字符如何匹配使用[\s\S]匹配任意字符,而不是使用"." 使用s单行修饰模式,例:$pattern = '#abc.*?def#s'; // ...
java正则全局匹配_正则表达式全局匹配模式(g修饰符)
正则表达式g修饰符: g修饰符用语规定正则表达式执行全局匹配,也就是在找到第一个匹配之后仍然会继续查找. 语法结构: 构造函数方式: new RegExp("regexp",&qu ...
java判断字符个数_使用Java判断字符串中的中文字符数量
Java判断一个字符串str中中文的个数,经过总结,有以下几种方法(全部经过验证),可根据其原理判断在何种情况下使用哪个方法: 1. 1 char[] c =str.toCharArray();2 f ...

Java通过正则剔除乱码_正则表达式 - 去掉乱码字符/提取字符串中的中文字符/提取字符串中的大小写字母 - Python代码...

Java通过正则剔除乱码_正则表达式 - 去掉乱码字符/提取字符串中的中文字符/提取字符串中的大小写字母 - Python代码...相关推荐

最新文章

热门文章