去除中英文夾雜的空白

這篇文章會介紹使用 Python 的正規表達式 re，實做「去除中英文夾雜的空白」實際應用，」，讓一段中英文夾雜的句子中，只去除中文字之間的空白，保留英文單字之間的空白。

本篇使用的 Python 版本為 3.7.12，所有範例可使用 Google Colab 實作，不用安裝任何軟體 ( 參考：使用 Google Colab )

去除空白的規則

在一些中英文夾雜的寫作規範裡，往往會強調中文英文和標點符號的寫作規範，這篇教學所採用的規範如下：

• 中文字和英文字中間要有空白。
• 除了括號外，其他標點符號使用「全形標點符號」。
• 括號左右需要有空白，括號和括號之間不留空白。
• 全形標點符號左右不留空白。

步驟 1，在所有的中文字中間加上空白

為了避免一些額外的狀況，所以在去除空白之前，先將所有中文字加上空白，使用的正規表達式說明如下：

執行下方程式，就可以將原本的文字中間全部加上空格，並且移除部分太多的空白。

參考：使用正規表達式 re、合併串列

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 ～
'''

步驟 2，根據規則移除空白

首先根據條件取出空白 ( \x20 )，空白必須夾在「英文大小寫字母、數字、標點符號之間」( [^a-zA-Z0-9\u0021-\u002E] )，取出後將其取代並移除。

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～
'''

移除後，繼續處理一些括號和百分比符號的細節，將後方有「右括號、百分比符號和全形標點符號」( [\(\%\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～
'''

步驟 3，最後修飾

如果移除空白後還有一些地方需要調整，例如 oxxo 和 studio 中間的「.」不用空白，就可以單純針對這些細節作調整。

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～
'''

完整程式碼

下方列出去除中英文夾雜的空白的完整程式碼：

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)

意見回饋

如果有任何建議或問題，可傳送「意見表單」給我，謝謝～