Python正则表达式 re.sub()函数：标志位flags与参数个数问题

这两天在写爬虫程序，涉及英文文本处理，需要规范化英文标点符号的写法。正常情况下，英文句号「.」后面需要保证有且只有一个空格，但也有例外情况，比如「i.e.」、「e.g.」、「P.S.」这种。由于无法预测大小写，因此在正则表达式中使用了「标志位」flags，却死活不生效。

一开始，我的函数是这样写的：

1 def punctuate(s):
2     #----其余代码暂略
3     s = re.sub(' e. g. ', 'e.g.', s, re.I)
4     return s

代码的本意是：本来好好的「e.g.」，被函数前半断的代码错改成「e. g. 」之后，需要修复一下，将英文句号「.」后面的空格删掉。但这行 re.sub() 代码主要有2个问题：

1. 「e. g.」前后不一定是空格，因此这样写的话，如果遇到「e. g.,」或是「(e. g. xxx」的情况就会被跳过。
2. 英文的句号「.」未转义
3. 标志位 re.I 不生效

前2个问题好解决。改进代码如下：

1 def punctuate(s):
2     #----其余代码暂略
3     s = re.sub('([^a-zA-Z]e\.) (g\.[^a-zA-Z])', '\g<1>\g<2>', s, re.I)
4     return s

规则是：「e. g.」之前或之后，必须有「非英文字母」的字符（包括空格），且「e.」和「g.」中间有一个空格，则将中间的空格删掉，且保留前后的「非英文字母」（\g<1>表示查找到的第1个括号内的文本，\g<2>表示第2个括号）。但标志位 re.I 的问题还是没解决。

后来翻到了「Python--详解Python中re.sub」这篇文章，才顿悟：re.sub() 函数有5个参数，我传入了4个参数，最后一个被认为是第4个参数，而不是第5个！多么低级的错误啊！

查阅「Python官方文档」可知，

re.sub(pattern, repl, string, count=0, flags=0)

我传入的第4个参数 re.I 会被当作是 count。因此，正确的姿势是明确写明「flags=re.I」。

整个标点符号规范化函数还包括其它的替换，完整代码如下：

 1 def punctuate(s):
 2     s = re.sub('([,:;?!\.”\)])', '\g<1> ', s) #后加空格
 3     s = re.sub('([“\(])', ' \g<1>', s) #前加空格
 4     s = re.sub('([“\(]) ', '\g<1>', s) #后删空格
 5     s = re.sub(' ([,:;?!\.”\)])', '\g<1>', s) #前删空格
 6     s = re.sub('([,\.?!;\)]) ”', '\g<1>”', s) #闭引号前去空格
 7     s = re.sub('\) ([,:;?!\.”])', ')\g<1>', s) #闭括号后去空格
 8     s = re.sub('(\d)\. (\d)', '\g<1>.\g<2>', s) #小数点后去空格
 9     s = re.sub(' +', ' ', s) #多空格改单空格
10     #拉丁加点缩写单词，点号后面去空格
11     s = re.sub('([^a-zA-Z]e\.) (g\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
12     s = re.sub('([^a-zA-Z]i\.) (e\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
13     s = re.sub('([^a-zA-Z]q\.) (v\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
14     s = re.sub('([^a-zA-Z]v\.) (s\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
15     s = re.sub('([^a-zA-Z]n\.) (b\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
16     s = re.sub('([^a-zA-Z]p\.) (s\.[^a-zA-Z])', '\g<1>\g<2>', s, flags=re.I)
17     s = re.sub('\. ,', '.,', s)
18     return s

 

 多么痛的领悟！