1 # coding = utf-82 import re

1. 清理杂七杂八字符

1 ''' 2 [a-zA-Z0-9] 字母数字 3 [\u4e00-\u9fa5] 汉字的utf-8 code范围 4 ''' 5 # 保留字母、数字、汉字和标点符号(),.!?": 6 def remove_others(s):     7     return re.sub(r'[^a-zA-Z0-9\u4e00-\u9fa5(),.!?":]', ' ', s) 8  9 # 删除多余的空白(including spaces, tabs, line breaks)'''10 def remove_whitespaces(s):11     return re.sub(r'\s{2,}', ' ', s)

2. 社交媒体文本中清除 @其他人

1 def remove_atpeople(s): 2     '''删除文本中@与其后面第一个空格之间的内容''' 3     s = re.sub(r'@', ' @', s) 4     ls = s.split() 5     nls = [] 6     for t in ls: 7         if t[0] == '@': 8             continue 9         else:10             nls.append(t) 11 12     return ' '.join(nls)