我正在使用 python 和正则表达式进行一些文本规范化。我想用'you'代替所有'u'或'U'。这是我到目前为止所做的：
import re
text = 'how are u? umberella u! u. U. U@ U# u '
print re.sub (' [u|U][s,.,?,!,W,#,@ (^a-zA-Z)]', ' you ', text)
我得到的输出是：
how are you you berella you you you you you you
如您所见，问题在于“umberella”更改为“berella”。我也想保留出现在“u”之后的字符。例如，我想要“你！” 改为“你！”。谁能告诉我我做错了什么以及编写正则表达式的最佳方法是什么？
首先，为什么您的解决方案不起作用。你混淆了很多概念。主要是字符类与其他字符类。在您使用的第一个字符类中，|它源于alternation。在字符类中，您不需要管道。只需列出您想要的所有字符（和字符范围）：
[Uu]
u或者，如果您使用不区分大小写的修饰符，则只需编写。如果你在那里写一个管道，字符类实际上会匹配你的主题字符串中的管道。
现在在第二个字符类中，出于某种奇怪的原因，您使用逗号分隔字符。除了在可匹配字符中包含逗号之外，这也无济于事。s并且W可能应该是内置的字符类。然后逃离他们！否则它们只会匹配 literals和 literal W。但是\W已经包含了您在此处列出的所有其他内容，因此\W单独（不带方括号）就足够了。最后一部分(^a-zA-Z)也不起作用，因为它将简单地将^,(和)所有字母包含到字符类中。否定语法仅适用于整个字符类，例如[^a-zA-Z].
你真正想要的是断言你的 . 前面或后面没有字母u。您可以为此使用环视。优点是它们不会包含在匹配中，因此不会被删除：
r'(?<![a-zA-Z])[uU](?![a-zA-Z])'
请注意，我使用了原始字符串。通常是正则表达式的好习惯，以避免转义序列出现问题。
这些是负面的环顾四周，确保您的 . 之前或之后没有字母字符u。这是断言周围有一个非字母字符（与您所做的类似）的重要区别，因为后一种方法在字符串的开头或结尾不起作用。
当然，您可以you从替换字符串中删除空格。
如果您不想替换u数字旁边的数字，您可以轻松地将数字包含到字符类中：
r'(?<![a-zA-Z0-9])[uU](?![a-zA-Z0-9])'
如果由于某种原因相邻的下划线也会取消您u的替换资格，您也可以将其包括在内。但是字符类与内置的一致\w：
r'(?<!\w)[uU](?!\w)'
在这种情况下，这相当于 EarlGray 的r'\b[uU]\b'.
如上所述，您可以通过使用不区分大小写的修饰符来缩短所有这些。以第一个表达式为例：
re.sub(r'(?<![a-z])u(?![a-z])', 'you', text, flags=re.I)
或者
re.sub(r'(?<![a-z])u(?![a-z])', 'you', text, flags=re.IGNORECASE)
取决于你的喜好。
我建议您阅读我在此答案中多次链接的教程。这些解释非常全面，应该让您在正则表达式方面有一个良好的开端，您可能迟早会再次遇到。
使用特殊字符\b，匹配单词开头或结尾的空字符串：
print re.sub(r'\b[uU]\b', 'you', text)
空格不是一个可靠的解决方案，因为还有很多其他标点符号，所以\b发明了一个抽象字符来指示单词的开头或结尾。
这对我有用：
import re
text = 'how are u? umberella u! u. U. U@ U# u '
rex = re.compile(r'\bu\b', re.IGNORECASE)
print(rex.sub('you', text))
它预编译正则表达式并使用 re.IGNORECASE，这样我们就不必担心正则表达式中的大小写了！顺便说一句，我喜欢伞的时髦拼写！:-)
也可以用下面的代码来实现
import re
text = 'how are u? umberella u! u. U. U@ U# u '
print (re.sub (r'[uU] ( [^a-z] )', r' you\1 ', text))
或者
print (re.sub (r'[uU] ( [\s!,.?@#] )', r' you\1 ', text))
我想出的另一个可能的解决方案是：
re.sub(r'([uU]+(.)?\s)',' you ', text)