【内容总结】 整理：中英文文本替换、筛选方法

一、替换
1.Python 的string 有一个 replace method，它的用法是这样的string.replace(a, b)所表达的意思是：把 string 中的所有 a 字符串换成 b 字符串。
需要注意的是，这个 replace method 并不支持正则表达式… 属于“简单粗暴”的类型~

2.调用一个内置的“re”，这个东西我暂时还没去深入理解它，只知道它的用法是这样的：

Import re                # 先导入，下面是在代码内容中的应用
i = re.compile(“[a-A]”)  # 用 re  的 compile method 设置一个正则表达式
j = i.sub(a, string)     # 然后用这个正则表达式的sub method 就可以替换文本了,这里的 a 就是你需要换成的文本。

二、筛选：
1.筛选中文字符
笨笨如我，先把英文给去掉了，在去掉各种中英文标点符号，一不小心就写漏了…
看同学们的作业里，普遍有两种高效解决方式，一个使用类似u'\u4e00’这种格式，另一个是使用 ord( )这个build-in函数
这两种方法其实都是一样的，只不过表达上不同，所涉及到都是符号的unicode。
原理是，在编程世界里，所有的字符（不仅仅是中英文）都是有一个编码对应的，而同一类的字符的编码是有规律的，比如相连。
于是，我们只要找到中文对应的编码范围，然后把整个 text 过滤一下，只留下编码在这个范围内的字符，就行了：

list_cn = [ t for t in text if u'\u4e00' <= i <= u'\u9fa5’]

这样就能够生成一个只有中文的list（注意，中文的标点符号也没有在这两个编码'\u4e00’与'\u9fa5’之间，真好~）
如果想用 ord（），也可以用一样的表达方式：

list_cn = [ t for t in text if 19968 <= ord(i) <= 40869]

用哪个呢，从我自己小白的角度来看，前面一种表达更适合装逼一些… 嘎嘎~

我看到有些同学使用的是 ord(i) <= 256，意思是，“非英文”（英文的 unicode 都在256之内），我觉得这个比上面的差一些，因为还要再进行一次“去掉中文标点符号”。

2.筛选英文字符
你可能第一感觉是这么想的，像中文一样找到字母的范围就可以了。但确实不一样，因为英文字母里有大写小之分，大小字母的编码不是连在一块的 —— 实际上，它们是，大写连一块，小写连一块，中间散布着标点符号...
如果想要使用上面的方法，可以考虑先把所有字母小写放在第一步，然后找到小写字母的编码（97 ~ 122）
于是，

list_en = [ t for t in text if 97 <= ord(i) <= 122]

好吧，又事实上，这么做会得到一个极其坑爹的结果，因为连空格和\n（这两者是不一样的代码）都被清洗了。于是我们可以在原来的条件上再加入条件“编码等于空格、'\n'编码的字符也留下”...

我自己的话不用这个，而用上面提到的“re”，直接用它生成一个正则表达式，然后替换就行了，尽管我还不是很懂它~

i = re.compile("[^a-z \n]")
text_en = i.sub("", text)

(注，先把大写改小写，反正都要做的；另，注意“a-z”后面有个空格和换行符" \n")

[^a-z \n]所表达的意思是：匹配任何除了从 a 到 z 的英文小写字母以及" " 和 \n之外的符号，然后在第二部就是把这些符号全部换成了空符号（什么都没有）
另外，考虑到英文书写常常有把两个英文单词用“-”连起来的情况，如果直接把“-”去掉，会得到一个奇怪的东西... 于是我还提前把“-”换成空格~

3.说说 stirng 的那个 replace method
因为 replace 支持正则表达式，所以在处理这类复杂问题的时候，确实显得没那么好用，所以我看到很多同学一开始跟我写的一样：
text.replace("，", "").replace("。", "").replace("！", "")...... 哭着写完一大串，结果随手拿一个中文文本发现，马丹，又有符号没写进去......
如果单纯考虑这个去符号操作，我看到有人写得更简化些：
比如：（注，已经去除英文符号，而且下面例子中的标点符号串是不完整的）

for i in '*,，。.-!、？！“”""?「」':
    text = text.replace(i,'')

也有直接生成一个 list：

text_list = []
for i in text:
    if i in '*,，。.-!、？！“”""?「」':
        continue
    text_list.append(i)

高级了一些，可依然没有解决那个麻烦的问题 —— 如何全面地匹配中文符号。

所以呢，对比之下，我果断扔掉我那看起来写不到尽头的标点符号串~

纯属个人理解，我也是在入门的小白，肯定有理解不到位、考虑不足的地方，请一定帮我指出，谢谢！

The issue discusses Python string.replace, the re module, and Unicode-based filtering, but names no repository file, test, or entry point. Start by checking the issue discussion for a specific documentation task; no completion criteria or concrete change are provided.