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：
- “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。
- 英文的句号“.”未转义
- 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！
