去除中英文夹杂的空白

这篇文章会介绍使用 Python 的正规表达式 re，实做“去除中英文夹杂的空白”实际应用，”，让一段中英文夹杂的句子中，只去除中文字之间的空白，保留英文单字之间的空白。

本篇使用的 Python 版本为 3.7.12，所有范例可使用 Google Colab 实作，不用安装任何软件 ( 参考：使用 Google Colab )

去除空白的规则

在一些中英文夹杂的写作规范里，往往会强调中文英文和标点符号的写作规范，这篇教学所采用的规范如下：

• 中文字和英文字中间要有空白。
• 除了括号外，其他标点符号使用“全形标点符号”。
• 括号左右需要有空白，括号和括号之间不留空白。
• 全形标点符号左右不留空白。

步骤 1，在所有的中文字中间加上空白

为了避免一些额外的状况，所以在去除空白之前，先将所有中文字加上空白，使用的正规表达式说明如下：

执行下方程序，就可以将原本的文字中间全部加上空格，并且移除部分太多的空白。

参考：使用正规表达式 re、合并串列

import re

# 要轉換的字串
text = '''請 求 您 幫 我 oxxo.studio 去 除 空 白 ok ？
但是要保留換行 可以 嗎 ，(        哈哈哈 )( 啊哈)
統一便利超商 (711) 的括號之間也要有空白喔！
寫作規    範就是這 麼 100% 的龜毛～
'''

# 取得中文字和英文單字的正規表達式
# [a-zA-Z0-9]+ 表示開頭是英文字母後面連接一串字母或數字
regex= re.compile(r'[\u4E00-\u9FFF\uFF00-\uFFFF\u0021-\u002F\n]|[a-zA-Z0-9]+')

# 根據正規表達式，將每個中文字、標點符號和英文單字變成串列
arr = re.findall(regex, text)

# 使用空格合併串列
text = ' '.join(arr)
print(text)

'''
請 求 您 幫 我 oxxo . studio 去 除 空 白 ok ？
但 是 要 保 留 換 行 可 以 嗎 ， ( 哈 哈 哈 ) ( 啊 哈 )
統 一 便 利 超 商 ( 711 ) 的 括 號 之 間 也 要 有 空 白 喔 ！
寫 作 規 範 就 是 這 麼 100 % 的 龜 毛 ～
'''

步骤 2，根据规则移除空白

首先根据条件取出空白 ( \x20 )，空白必须夹在“英文大小写字母、数字、标点符号之间”( [^a-zA-Z0-9\u0021-\u002E] )，取出后将其取代并移除。

regex= re.compile(r'(?<=[^a-zA-Z0-9\u0021-\u002E])(\x20)(?=[^a-zA-Z0-9\u0021-\u002E])')
text = re.sub(regex, '', text)
print(text)

'''
請求您幫我 oxxo . studio 去除空白 ok ？
但是要保留換行可以嗎， ( 哈哈哈 ) ( 啊哈 )
統一便利超商 ( 711 ) 的括號之間也要有空白喔！
寫作規範就是這麼 100 % 的龜毛～
'''

移除后，继续处理一些括号和百分比符号的细节，将后方有“右括号、百分比符号和全形标点符号”( [\(\%\uFF00-\uFFFF] ) 的空白移除。

regex= re.compile(r'(\x20)(?=[\(\%\uFF00-\uFFFF])')
text = re.sub(regex, '', text)
print(text)

'''
請求您幫我 oxxo . studio 去除空白 ok？
但是要保留換行可以嗎，( 哈哈哈 )( 啊哈 )
統一便利超商( 711 ) 的括號之間也要有空白喔！
寫作規範就是這麼 100% 的龜毛～
'''

步骤 3，最后修饰

如果移除空白后还有一些地方需要调整，例如 oxxo 和 studio 中间的“.”不用空白，就可以单纯针对这些细节作调整。

text = text.replace(' . ','.')
print(text)

'''
請求您幫我 oxxo.studio 去除空白 ok？
但是要保留換行可以嗎，( 哈哈哈 )( 啊哈 )
統一便利超商( 711 ) 的括號之間也要有空白喔！
寫作規範就是這麼 100% 的龜毛～
'''

完整程序码

下方列出去除中英文夹杂的空白的完整程序码：

import re

# 輸入字符串
text = '''請 求 您 幫 我 oxxo.studio 去 除 空 白 ok ？
但是要保留換行 可以 嗎 ，(        哈哈哈 )( 啊哈)
統一便利超商 (711) 的括號之間也要有空白喔！
寫作規    範就是這 麼 100% 的龜毛～
'''

regex= re.compile(r'[\u4E00-\u9FFF\uFF00-\uFFFF\u0021-\u002F\n]|[a-zA-Z0-9]+')
arr = re.findall(regex, text)
text = ' '.join(arr)

regex= re.compile(r'(?<=[^a-zA-Z0-9\u0021-\u002E])(\x20)(?=[^a-zA-Z0-9\u0021-\u002E])')
text = re.sub(regex, '', text)

regex= re.compile(r'(\x20)(?=[\(\%\uFF00-\uFFFF])')
text = re.sub(regex, '', text)

text = text.replace(' . ','.')
print(text)

意见反馈