Python处理中文标点符号大集合

夏知夏

发布时间：2026-10-13| 2人浏览过

原创

本文介绍在Python中处理中文标点符号的多种方法，包括利用zhon库获取标准标点集合、使用正则表达式去除或保留单个标点、通过Unicode范围过滤字符，以及结合translate与split实现多符号分割。内容涵盖半角全角处理及函数封装，适用于文本清洗与自然语言预处理场景。

中文文本中的标点符号来源多样，处理时若仅依赖简单匹配容易遗漏，需谨慎操作。以下介绍两种常用的中文标点处理方案：

中文标点集合

常见的中文标点符号包括：

！？｡＂＃＄％＆＇（）＊＋，－／：；＜＝＞＠［＼］＾＿｀｛｜｝～｟｠｢｣､、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏.

通过调用zhon包的zhon.hanzi.punctuation函数，即可获取上述中文标点列表。

若需处理英文标点，可调用string包的string.punctuation函数，结果如下：

!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~

因此，若需去除所有标点符号，可执行以下操作：

>>> import re
>>> from zhon.hanzo import punctuation
>>> line = "测试。。去除标点。。"
>>> print re.sub("[{}]+".format(punctuation), "", line.decode("utf-8")) # 需要将str转换为unicode

若希望去除重复标点并仅保留一个，可使用\1进行指代，例如：

>>> re.sub(ur"([{}])+".format(punctuation), "\1", line.decode("utf-8"))

也可以手动指定所需的标点符号列表。

punctuation = """！？｡＂＃＄％＆＇（）＊＋－／：；＜＝＞＠［＼］＾＿｀｛｜｝～｟｠｢｣､、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏"""
re_punctuation = "[{}]+".format(punctuation)
line = re.sub(re_punctuation, "", line)

通过直接指定Unicode码范围的方式，可以实现strip操作，例如：

去除所有半角和全角符号，仅保留字母、数字及中文字符。

def remove_punctuation(line):
  rule = re.compile(ur"[^a-zA-Z0-9\u4e00-\u9fa5]")
  line = rule.sub('',line)
  return line

汉字的Unicode范围是“\u4e00-\u9fa5”，由于涉及Unicode表示，前缀必须为“u”；字符“r”表示原始字符串，忽略后续转义字符，从而简化正则表达式中每个转义字符需单独转义的繁琐操作。

最后，可将上述逻辑组合为一个完整函数。

def remove_punctuation(line, strip_all=True):
  if strip_all:
    rule = re.compile(ur"[^a-zA-Z0-9\u4e00-\u9fa5]")
    line = rule.sub('',line)
  else:
    punctuation = """！？｡＂＃＄％＆＇（）＊＋－／：；＜＝＞＠［＼］＾＿｀｛｜｝～｟｠｢｣､、〃》「」『』【】〔〕〖〗〘〙〚〛〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏"""
    re_punctuation = "[{}]+".format(punctuation)
    line = re.sub(re_punctuation, "", line)
  return line.strip()

清洗完成后，有时需要依据多种标点符号对文本进行分割。

例如，只要遇到中文或英文的逗号、句号等符号即进行分割，可直接利用translate将这些符号统一映射为分隔符，再执行split：

strip_chars = '？"。.，,《》[]〖〗“”'
single_line = single_line.translate(str.maketrans(dict.fromkeys(strip_chars, '#')))
single_line = single_line.split('#')

总结

以上介绍了Python处理中文标点符号的多种方法，希望能为读者提供帮助。如有疑问欢迎留言，小编将及时回复。感谢大家对本站的支持！