Question

第一次发帖。我有一个文本，其中标题中的许多文本都折叠而没有空格。我试着： a）保留全文（不要遗漏任何单词）， b）如“前进之路”中那样使用逻辑来分隔“ A”， c）避免分离首字母缩略词，例如EPA，DOJ等（已经大写）。

我的正则表达式代码非常接近，但是它在单词的开头或结尾都留下了“ A”：

f =“在宾夕法尼亚州白宫，一个人的好奇事件发生在1600年，宾夕法尼亚州Ave和TheEPA”

re.sub（r“（[[AZ] [az] | [AZ] [AZ] | \ d +）”，r“ \ 1”，f）.split （）

输出：

['The'，'Curious'，'Incident'，'Of'，'AMan'，'In'，'AWhite'，'House'，'At'，'1600'，'Pennsylvania'，'Ave '，'And'，'The'，'EPA']

问题输出为“ AMan”，“ AWhite”等。

应该是：

['The'，'Curious'，'Incident'，'Of'，'A'，Man'，'In'，'A'，White' ，“房屋”，“在”，“ 1600”，“宾夕法尼亚州”，“ Ave”，“ And”，“ The”，“ EPA”]

谢谢

Answer 1

欢迎使用堆栈溢出Greg。正则表达式的良好开端。

我会尝试这样的事情：

([A-Z]{2,}(?![a-z])|[a-zA-Z][a-z]*|[0-9]+)

细分为解释：

([A-Z]{2,}(?![a-z])  // 2 or more capital letters, not followed by a lowercase letter
|                    // OR
[a-zA-Z][a-z]*       // Any letter, followed by any number of lowercase letters
|                    // OR
[0-9]+)              // One or more digits

最佳用法如下：

re.findall(r'([A-Z]{2,}(?![a-z])|[a-zA-Z][a-z]*|[0-9]+)', s)

Try it online（包含\W*用于格式化）

正则表达式可分隔折叠的标题

1 个答案: