各位数据挖掘小伙伴，当你好不容易从网页上爬取了一大堆文本意见，然后摩拳擦掌准备大干一番时，忽然发现文本里面有很多乱七八糟的东西，比如：标点、重复词句、字符、无意义短句等等，是不是感觉有点无助。像图1。

下面介绍4个步骤，教你搞定上面问题。

步骤1.删掉中文里面的字母、数字、符号等噪声

咱们做中文含义分析时，不用管英语、字符、数字这些内容。这里主要使用正则表达式来删除标点符号、英文和数字。

关键代码包括：

r='[\\s+\\.!\\/_,$%^*(+\\"\\')]+|[:：+——()?【】“”！，。？、~@#￥%……&*()]+'

r1='[^\\u4e00-\\u9fa5]'

for a_string in filelist:

a_string=str(a_string)

temp = re.sub(r,'',a_string) #删除标点符号

temp