如何使用正则表达式从单个字符串中提取字符串列表？

Question

我有一个长字符串，实际上是一组概念。我想挖掘字符串并创建一个概念列表。

字符串以：

开头

Abduction and retroduction Action research: a case study Analysis of variance (ANOVA) Attitudes Autobiography see Biographical method...

该列表包含字典条目。在绝大多数情况下，大写字母标志着新进入的开始。我想列出条目。

我试过了re.findall(r"([A-Z].+?)\s[A-Z]")。但它过滤掉了每一秒的条目。而不是[“绑架和重新引入”，“行动研究：案例研究”，“方差分析（ANOVA）”]，我得到：[“绑架和重新引入”，“方差分析（ANOVA）”]

Answer 1

默认情况下，您可以有重叠的结果，这就是为什么跳过所有第二个连续条目的原因（因为您匹配了他的第一个字母）。避免此问题的一种方法是使用前瞻断言(?=..)来匹配第一个字母，这意味着“后跟”（前瞻只是一个检查并且不匹配）：

re.findall(r"(\b[A-Z].+?)(?=\s[A-Z]|\s*$)")