Como posso retirar toda a pontuação de uma string em JavaScript usando regex?

152

Se eu tiver uma string com qualquer tipo de caractere não alfanumérico: 

"This., -/ is #! an $ % ^ & * example ;: {} of a = -_ string with `~)() punctuation"

Como obter uma versão sem pontuação no JavaScript:

"This is an example of a string with punctuation"
javascript regex Quentin Fisk
fonte

Respostas:

210

Se você deseja remover pontuação específica de uma string, provavelmente será melhor remover explicitamente exatamente o que você deseja

replace(/[.,\/#!$%\^&\*;:{}=\-_`~()]/g,"")

O procedimento acima ainda não retorna a sequência conforme você a especificou. Se você deseja remover quaisquer espaços extras que sobraram da remoção de pontuação maluca, faça algo como

replace(/\s{2,}/g," ");

Meu exemplo completo:

var s = "This., -/ is #! an $ % ^ & * example ;: {} of a = -_ string with `~)() punctuation";
var punctuationless = s.replace(/[.,\/#!$%\^&\*;:{}=\-_`~()]/g,"");
var finalString = punctuationless.replace(/\s{2,}/g," ");

Resultados da execução de código no console do firebug:

texto alternativo

Mike Grace
fonte
4
Os chavetas no regex aplicam um quantificador ao anterior, portanto, neste caso, ele substitui entre 2 e 100 caracteres de espaço em branco ( \s) por um único espaço. Se você quiser entrar em colapso qualquer número de caracteres em branco para baixo para um, você deixaria fora do limite superior assim: replace(/\s{2,}/g, ' ').
Mike Partridge
13
Eu adicionei mais alguns caracteres a lista de pontuação substituído ( @+?><[]+): replace(/[\.,-\/#!$%\^&\*;:{}=\-_`~()@\+\?><\[\]\+]/g, ''). Se alguém estiver procurando por um conjunto ainda um pouco mais completo.
timmfin
9
String.punctuation do Python define pontuação como: !"#$%&'()*+,-./:;<=>?@[\]^_`{|}~Qual funciona melhor para mim, então outra alternativa seria:replace(/['!"#$%&\\'()\*+,\-\.\/:;<=>?@\[\\\]\^_`{|}~']/g,"");
01AutoMonkey
1
@ AntoineLizée Concordo que é enganoso. Atualizado a resposta. Obrigado.
Mike Grace
2
Eu tentei com "isso?" - não funciona para mim ( regex101.com/r/F4j5Qc/1 ), a solução certa é: /[.,\/#!$%\^&*;:{}=\-_ `~ () \?] / g
Maxim Firsoff
128 
str = str.replace(/[^\w\s]|_/g, "")
         .replace(/\s+/g, " ");

Remove tudo, exceto caracteres alfanuméricos e espaços em branco, e recolhe vários caracteres adjacentes em espaços únicos.

Explicação detalhada:

  1. \w é qualquer dígito, letra ou sublinhado.
  2. \s é qualquer espaço em branco.
  3. [^\w\s] é qualquer coisa que não seja um dígito, letra, espaço em branco ou sublinhado.
  4. [^\w\s]|_ é o mesmo número 3, exceto com os sublinhados adicionados novamente.
John Kugelman
fonte
72
Isso também removerá caracteres não-ingleses, mas de outra forma perfeitamente alfanuméricos, como à, é, ö, além de todo o alfabeto cirílico.
Abramov
5
@ Quemeful Eu discordo, a pergunta original não especifica "apenas para inglês". SO é bastante internacional, usado em todo o mundo. Quem fala inglês e tem acesso à Internet pode usá-lo. Se o idioma não for especificado na pergunta, não devemos fazer suposições. Estamos em 2017, caramba!
Rolf #
1
Além disso, mesmo que você suporte apenas o inglês, você tem palavras de empréstimo, como currículo e nomes de lugares ou pessoas, para que não queira interromper a capacidade de alguém de dizer que trabalha em San José (a ortografia oficial) no cubículo entre Ramón Chloé.
Chris Adams
Isso vai mexer com palavras como wouldn'tedon't
Charlie
71

Aqui estão os caracteres de pontuação padrão para US-ASCII: !"#$%&'()*+,-./:;<=>?@[\]^_`{|}~

Para pontuação Unicode (como aspas, traços, etc.), você pode facilmente corresponder em intervalos de blocos específicos. O bloco de pontuação geral é \u2000-\u206Fe o bloco de pontuação suplementar é\u2E00-\u2E7F .

Juntos, e escapados adequadamente, você obtém o seguinte RegExp:

/[\u2000-\u206F\u2E00-\u2E7F\\'!"#$%&()*+,\-.\/:;<=>?@\[\]^_`{|}~]/

Isso deve corresponder a praticamente qualquer pontuação que você encontrar. Então, para responder à pergunta original:

var punctRE = /[\u2000-\u206F\u2E00-\u2E7F\\'!"#$%&()*+,\-.\/:;<=>?@\[\]^_`{|}~]/g;
var spaceRE = /\s+/g;
var str = "This, -/ is #! an $ % ^ & * example ;: {} of a = -_ string with `~)() punctuation";
str.replace(punctRE, '').replace(spaceRE, ' ');

>> "This is an example of a string with punctuation"

Fonte US-ASCII: http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html#posix

Origem Unicode: http://kourge.net/projects/regexp-unicode-block

Joseph
fonte
3
Para pontuação Unicode, os blocos não são suficientes. Você deve examinar a categoria geral Pontuação e verá que nem todas as pontuações estão localizadas nesses blocos. Existem muitas pontuações familiares dentro de blocos latinos, por exemplo.
Nhahtdh 3/08
15

/ [^ A-Za-z0-9 \ s] / g deve corresponder a toda pontuação, mas mantém os espaços. Portanto, você pode usar .replace(/\s{2,}/g, " ")para substituir espaços extras, se precisar. Você pode testar a regex em http://rubular.com/

.replace(/[^A-Za-z0-9\s]/g,"").replace(/\s{2,}/g, " ")

Atualização : Só funcionará se a entrada for ANSI English.

adnan2nd
fonte
6
Você está assumindo que a sequência é ANSI English. Não é francês com letras acentuadas (àéô), nem alemão, turco. O árabe Unicode, o chinês etc. também desaparecerão.
Rolf
2
Obrigado, não pensei nisso completamente.
adnan2nd
10

Corri o mesmo problema, esta solução fez o truque e era muito legível: 

var sentence = "This., -/ is #! an $ % ^ & * example ;: {} of a = -_ string with `~)() punctuation";
var newSen = sentence.match(/[^_\W]+/g).join(' ');
console.log(newSen);

Resultado: 

"This is an example of a string with punctuation"

O truque era criar um conjunto negado . Isso significa que ele corresponde a qualquer coisa que não esteja dentro do conjunto, ou seja [^abc]- não a, b ou c

\Wé qualquer não-palavra, portanto [^\W]+, negará qualquer coisa que não seja uma palavra char .

Ao adicionar o _ (sublinhado), você também pode negar.

Aplique a aplicação globalmente /g, para que você possa executar qualquer string e limpar a pontuação:

/[^_\W]+/g

Legal e Limpo ;)

jacobedawson
fonte
1
Você também altera todas as novas linhas no espaço com esse método.
Nhahtdh 3/08
5
Este método funciona apenas em inglês, todos os caracteres acentuados são removidos.
NicolasBernier
@ NicolasBernier, sim, isso é 100% correto - o mecanismo regex do JavaScript é realmente muito ruim (veja: stackoverflow.com/questions/4043307/… ) - infelizmente para tarefas mais complexas (e para criar padrões para palavras que não sejam em inglês), é preciso um pouco mais código. Ainda assim, para um regex rápido & concisa para faixa de pontuação funciona :)
jacobedawson
Este foi o mais simples e serviu bem ao meu propósito.
James Shrum
9

Vou colocá-lo aqui para outros.

Corresponda todos os caracteres de pontuação para todos os idiomas:

Construído a partir da categoria de pontuação Unicode e adicionado alguns símbolos comuns do teclado, como $colchetes e\-=_

http://www.fileformat.info/info/unicode/category/Po/list.htm

substituição básica:

".test'da, te\"xt".replace(/[\-=_!"#%&'*{},.\/:;?\(\)\[\]@\\$\^*+<>~`\u00a1\u00a7\u00b6\u00b7\u00bf\u037e\u0387\u055a-\u055f\u0589\u05c0\u05c3\u05c6\u05f3\u05f4\u0609\u060a\u060c\u060d\u061b\u061e\u061f\u066a-\u066d\u06d4\u0700-\u070d\u07f7-\u07f9\u0830-\u083e\u085e\u0964\u0965\u0970\u0af0\u0df4\u0e4f\u0e5a\u0e5b\u0f04-\u0f12\u0f14\u0f85\u0fd0-\u0fd4\u0fd9\u0fda\u104a-\u104f\u10fb\u1360-\u1368\u166d\u166e\u16eb-\u16ed\u1735\u1736\u17d4-\u17d6\u17d8-\u17da\u1800-\u1805\u1807-\u180a\u1944\u1945\u1a1e\u1a1f\u1aa0-\u1aa6\u1aa8-\u1aad\u1b5a-\u1b60\u1bfc-\u1bff\u1c3b-\u1c3f\u1c7e\u1c7f\u1cc0-\u1cc7\u1cd3\u2016\u2017\u2020-\u2027\u2030-\u2038\u203b-\u203e\u2041-\u2043\u2047-\u2051\u2053\u2055-\u205e\u2cf9-\u2cfc\u2cfe\u2cff\u2d70\u2e00\u2e01\u2e06-\u2e08\u2e0b\u2e0e-\u2e16\u2e18\u2e19\u2e1b\u2e1e\u2e1f\u2e2a-\u2e2e\u2e30-\u2e39\u3001-\u3003\u303d\u30fb\ua4fe\ua4ff\ua60d-\ua60f\ua673\ua67e\ua6f2-\ua6f7\ua874-\ua877\ua8ce\ua8cf\ua8f8-\ua8fa\ua92e\ua92f\ua95f\ua9c1-\ua9cd\ua9de\ua9df\uaa5c-\uaa5f\uaade\uaadf\uaaf0\uaaf1\uabeb\ufe10-\ufe16\ufe19\ufe30\ufe45\ufe46\ufe49-\ufe4c\ufe50-\ufe52\ufe54-\ufe57\ufe5f-\ufe61\ufe68\ufe6a\ufe6b\uff01-\uff03\uff05-\uff07\uff0a\uff0c\uff0e\uff0f\uff1a\uff1b\uff1f\uff20\uff3c\uff61\uff64\uff65]+/g,"")
"testda text"

adicionado como espaço

".da'fla, te\"te".split(/[\s\-=_!"#%&'*{},.\/:;?\(\)\[\]@\\$\^*+<>~`\u00a1\u00a7\u00b6\u00b7\u00bf\u037e\u0387\u055a-\u055f\u0589\u05c0\u05c3\u05c6\u05f3\u05f4\u0609\u060a\u060c\u060d\u061b\u061e\u061f\u066a-\u066d\u06d4\u0700-\u070d\u07f7-\u07f9\u0830-\u083e\u085e\u0964\u0965\u0970\u0af0\u0df4\u0e4f\u0e5a\u0e5b\u0f04-\u0f12\u0f14\u0f85\u0fd0-\u0fd4\u0fd9\u0fda\u104a-\u104f\u10fb\u1360-\u1368\u166d\u166e\u16eb-\u16ed\u1735\u1736\u17d4-\u17d6\u17d8-\u17da\u1800-\u1805\u1807-\u180a\u1944\u1945\u1a1e\u1a1f\u1aa0-\u1aa6\u1aa8-\u1aad\u1b5a-\u1b60\u1bfc-\u1bff\u1c3b-\u1c3f\u1c7e\u1c7f\u1cc0-\u1cc7\u1cd3\u2016\u2017\u2020-\u2027\u2030-\u2038\u203b-\u203e\u2041-\u2043\u2047-\u2051\u2053\u2055-\u205e\u2cf9-\u2cfc\u2cfe\u2cff\u2d70\u2e00\u2e01\u2e06-\u2e08\u2e0b\u2e0e-\u2e16\u2e18\u2e19\u2e1b\u2e1e\u2e1f\u2e2a-\u2e2e\u2e30-\u2e39\u3001-\u3003\u303d\u30fb\ua4fe\ua4ff\ua60d-\ua60f\ua673\ua67e\ua6f2-\ua6f7\ua874-\ua877\ua8ce\ua8cf\ua8f8-\ua8fa\ua92e\ua92f\ua95f\ua9c1-\ua9cd\ua9de\ua9df\uaa5c-\uaa5f\uaade\uaadf\uaaf0\uaaf1\uabeb\ufe10-\ufe16\ufe19\ufe30\ufe45\ufe46\ufe49-\ufe4c\ufe50-\ufe52\ufe54-\ufe57\ufe5f-\ufe61\ufe68\ufe6a\ufe6b\uff01-\uff03\uff05-\uff07\uff0a\uff0c\uff0e\uff0f\uff1a\uff1b\uff1f\uff20\uff3c\uff61\uff64\uff65]+/g)

adicionado ^ para inverter o padrão para combinar não com pontuação, mas com as próprias palavras

".test';the, te\"xt".match(/[^\s\-=_!"#%&'*{},.\/:;?\(\)\[\]@\\$\^*+<>~`\u00a1\u00a7\u00b6\u00b7\u00bf\u037e\u0387\u055a-\u055f\u0589\u05c0\u05c3\u05c6\u05f3\u05f4\u0609\u060a\u060c\u060d\u061b\u061e\u061f\u066a-\u066d\u06d4\u0700-\u070d\u07f7-\u07f9\u0830-\u083e\u085e\u0964\u0965\u0970\u0af0\u0df4\u0e4f\u0e5a\u0e5b\u0f04-\u0f12\u0f14\u0f85\u0fd0-\u0fd4\u0fd9\u0fda\u104a-\u104f\u10fb\u1360-\u1368\u166d\u166e\u16eb-\u16ed\u1735\u1736\u17d4-\u17d6\u17d8-\u17da\u1800-\u1805\u1807-\u180a\u1944\u1945\u1a1e\u1a1f\u1aa0-\u1aa6\u1aa8-\u1aad\u1b5a-\u1b60\u1bfc-\u1bff\u1c3b-\u1c3f\u1c7e\u1c7f\u1cc0-\u1cc7\u1cd3\u2016\u2017\u2020-\u2027\u2030-\u2038\u203b-\u203e\u2041-\u2043\u2047-\u2051\u2053\u2055-\u205e\u2cf9-\u2cfc\u2cfe\u2cff\u2d70\u2e00\u2e01\u2e06-\u2e08\u2e0b\u2e0e-\u2e16\u2e18\u2e19\u2e1b\u2e1e\u2e1f\u2e2a-\u2e2e\u2e30-\u2e39\u3001-\u3003\u303d\u30fb\ua4fe\ua4ff\ua60d-\ua60f\ua673\ua67e\ua6f2-\ua6f7\ua874-\ua877\ua8ce\ua8cf\ua8f8-\ua8fa\ua92e\ua92f\ua95f\ua9c1-\ua9cd\ua9de\ua9df\uaa5c-\uaa5f\uaade\uaadf\uaaf0\uaaf1\uabeb\ufe10-\ufe16\ufe19\ufe30\ufe45\ufe46\ufe49-\ufe4c\ufe50-\ufe52\ufe54-\ufe57\ufe5f-\ufe61\ufe68\ufe6a\ufe6b\uff01-\uff03\uff05-\uff07\uff0a\uff0c\uff0e\uff0f\uff1a\uff1b\uff1f\uff20\uff3c\uff61\uff64\uff65]+/g)

para idiomas como o hebraico, talvez para remover "'as aspas simples e dupla. e pensar mais sobre isso.

usando este script:

Etapa 1: selecione no Firefox segurando controlando uma coluna de números U + 1234 e copie-a; não copie U + 12456, eles substituem

passo 2 (eu fiz no chrome) encontre alguma área de texto e cole-a, clique com o botão direito do mouse e clique em inspecionar. então você pode acessar o elemento selecionado com $ 0.

var x=$0.value
var z=x.replace(/U\+/g,"").split(/[\r\n]+/).map(function(a){return parseInt(a,16)})
var ret=[];z.forEach(function(a,k){if(z[k-1]===a-1 && z[k+1]===a+1) { if(ret[ret.length-1]!="-")ret.push("-");} else {  var c=a.toString(16); var prefix=c.length<3?"\\u0000":c.length<5?"\\u0000":"\\u000000"; var uu=prefix.substring(0,prefix.length-c.length)+c; ret.push(c.length<3?String.fromCharCode(a):uu)}});ret.join("")

a etapa 3 copiou nas primeiras letras os ascii como caracteres separados, não varia, porque alguém pode adicionar ou remover caracteres individuais

Shimon Doodkin
fonte
7

Em um idioma compatível com Unicode, a propriedade de caractere de Pontuação Unicode é \p{P}- que geralmente você pode abreviar \pPe às vezes expandir para\p{Punctuation} para facilitar a leitura.

Você está usando uma biblioteca de expressões regulares compatíveis com Perl?

tchrist
fonte
8
Infelizmente JS não é compatível com Perl. O outro problema é que, quando testei isso, ele não capturou toda a pontuação na sequência de testes do @ Quentin => mikegrace.s3.amazonaws.com/forums/stack-overflow/…
Mike Grace
4
Você pode usar a biblioteca XRegExp para obter essa sintaxe estendida.
Eirik Birkeland
7

Se você deseja remover a pontuação de qualquer sequência, use o P classe Unicode.

Mas, como as classes não são aceitas no JavaScript RegEx, você pode tentar esse RegEx que deve corresponder a toda a pontuação. Corresponde às seguintes categorias: Pc Pd Pe Pf Pi Po Ps Sc Sk Sm Tão geralPontuação SuplementarPontuação CJKSymbolsAndPunctuation CuneiformNumbersAndPunctuation.

Eu o criei usando esta ferramenta on-line que gera expressões regulares especificamente para JavaScript. Esse é o código para alcançar seu objetivo:

var punctuationRegEx = /[!-/:-@[-`{-~¡-©«-¬®-±´¶-¸»¿×÷˂-˅˒-˟˥-˫˭˯-˿͵;΄-΅·϶҂՚-՟։-֊־׀׃׆׳-״؆-؏؛؞-؟٪-٭۔۩۽-۾܀-܍߶-߹।-॥॰৲-৳৺૱୰௳-௺౿ೱ-ೲ൹෴฿๏๚-๛༁-༗༚-༟༴༶༸༺-༽྅྾-࿅࿇-࿌࿎-࿔၊-၏႞-႟჻፠-፨᎐-᎙᙭-᙮᚛-᚜᛫-᛭᜵-᜶។-៖៘-៛᠀-᠊᥀᥄-᥅᧞-᧿᨞-᨟᭚-᭪᭴-᭼᰻-᰿᱾-᱿᾽᾿-῁῍-῏῝-῟῭-`´-῾\u2000-\u206e⁺-⁾₊-₎₠-₵℀-℁℃-℆℈-℉℔№-℘℞-℣℥℧℩℮℺-℻⅀-⅄⅊-⅍⅏←-⏧␀-␦⑀-⑊⒜-ⓩ─-⚝⚠-⚼⛀-⛃✁-✄✆-✉✌-✧✩-❋❍❏-❒❖❘-❞❡-❵➔➘-➯➱-➾⟀-⟊⟌⟐-⭌⭐-⭔⳥-⳪⳹-⳼⳾-⳿⸀-\u2e7e⺀-⺙⺛-⻳⼀-⿕⿰-⿻\u3000-〿゛-゜゠・㆐-㆑㆖-㆟㇀-㇣㈀-㈞㈪-㉃㉐㉠-㉿㊊-㊰㋀-㋾㌀-㏿䷀-䷿꒐-꓆꘍-꘏꙳꙾꜀-꜖꜠-꜡꞉-꞊꠨-꠫꡴-꡷꣎-꣏꤮-꤯꥟꩜-꩟﬩﴾-﴿﷼-﷽︐-︙︰-﹒﹔-﹦﹨-﹫！-／：-＠［-｀｛-･￠-￦￨-￮-�]|\ud800[\udd00-\udd02\udd37-\udd3f\udd79-\udd89\udd90-\udd9b\uddd0-\uddfc\udf9f\udfd0]|\ud802[\udd1f\udd3f\ude50-\ude58]|\ud809[\udc00-\udc7e]|\ud834[\udc00-\udcf5\udd00-\udd26\udd29-\udd64\udd6a-\udd6c\udd83-\udd84\udd8c-\udda9\uddae-\udddd\ude00-\ude41\ude45\udf00-\udf56]|\ud835[\udec1\udedb\udefb\udf15\udf35\udf4f\udf6f\udf89\udfa9\udfc3]|\ud83c[\udc00-\udc2b\udc30-\udc93]/g;
var string = "This., -/ is #! an $ % ^ & * example ;: {} of a = -_ string with `~)() punctuation";
var newString = string.replace(punctuationRegEx, '').replace(/(\s){2,}/g, '$1');
console.log(newString)
Expandir snippet

Salvatore
fonte
5

Para strings en-US (inglês americano), isso deve ser suficiente:

"This., -/ is #! an $ % ^ & * example ;: {} of a = -_ string with `~)() punctuation".replace( /[^a-zA-Z ]/g, '').replace( /\s\s+/g, ' ' )

Esteja ciente de que, se você suporta UTF-8 e caracteres como chinês / russo e tudo, isso também os substituirá, então você realmente precisa especificar o que deseja.

meder omuraliev
fonte
3

se você estiver usando lodash 

_.words('This, is : my - test,line:').join(' ')

Este exemplo 

_.words('"This., -/ is #! an $ % ^ & * example ;: {} of a = -_ string with `~)() punctuation"').join(' ')
Pankaj Avhad
fonte
2

De acordo com a lista de pontuações da Wikipedia, tive que criar o seguinte regex que detecta pontuações:

[\.’'\[\](){}⟨⟩:,،、‒–—―…!.‹›«»‐\-?‘’“”'";/⁄·\&*@\•^†‡°”¡¿※#№÷׺ª%‰+−=‱¶′″‴§~_|‖¦©℗®℠™¤₳฿₵¢₡₢$₫₯֏₠€ƒ₣₲₴₭₺₾ℳ₥₦₧₱₰£៛₽₹₨₪৳₸₮₩¥]

Tushar Goswami
fonte
2
Se estiver usando esse regex, você também deve escapar do delimitador de regex. Por exemplo, se você usar /(mais comum), então ele deve ser escapado dentro da classe de caracteres acima, adicionando um back-cortar antes, como este: \/. Isto é como você iria utilizá-lo: "String!! With, Punctuation.".replace(/[\.’'\[\](){}⟨⟩:,،、‒–—―…!.‹›«»‐\-?‘’“”'";\/⁄·\&*@\•^†‡°”¡¿※#№÷׺ª%‰+−=‱¶′″‴§~_|‖¦©℗®℠™¤₳฿₵¢₡₢$₫₯֏₠€ƒ₣₲₴₭₺₾ℳ₥₦₧₱₰£៛₽₹₨₪৳₸₮₩¥]+/g,""). A propósito, eu não vejo o backtick (`) em nenhum lugar, como é?
Rolf
está desaparecido. Parece difícil encontrar uma lista de todas as pontuações.
Alex
1

Se você deseja reter apenas alfabetos e espaços, pode:

str.replace(/[^a-zA-Z ]+/g, '').replace('/ {2,}/',' ')
codaddict
fonte
8
Isso não extrai mais do que apenas pontuação? Unicode e similares?
Alex
3
Você quer dizer "apenas Inglês alfabetos e espaços"
Rolf
0

Depende do que você está tentando retornar. Eu usei isso recentemente:

return text.match(/[a-z]/i);
Amanda Koster
fonte