Question

我需要使用string.punctuation和string.whitespace中的每个字符作为分隔符来拆分数据字符串。

此外，我需要将分隔符保留在输出列表中，在它们在字符串中分隔的项之间。

例如，

"Now is the winter of our discontent"

应输出：

['Now', ' ', 'is', ' ', 'the', ' ', 'winter', ' ', 'of', ' ', 'our', ' ', 'discontent']

我不知道如何在不诉诸嵌套循环的狂欢的情况下如何做到这一点，这是不可接受的慢。我该怎么办？

Answer 1

与其他人不同的非正则表达式方法：

>>> import string
>>> from itertools import groupby
>>> 
>>> special = set(string.punctuation + string.whitespace)
>>> s = "One two  three    tab\ttabandspace\t end"
>>> 
>>> split_combined = [''.join(g) for k, g in groupby(s, lambda c: c in special)]
>>> split_combined
['One', ' ', 'two', '  ', 'three', '    ', 'tab', '\t', 'tabandspace', '\t ', 'end']
>>> split_separated = [''.join(g) for k, g in groupby(s, lambda c: c if c in special else False)]
>>> split_separated
['One', ' ', 'two', '  ', 'three', '    ', 'tab', '\t', 'tabandspace', '\t', ' ', 'end']

我想可以使用dict.fromkeys和.get代替lambda。

[编辑]

一些解释：

groupby接受两个参数，一个可迭代的和一个（可选的）键函数。它循环遍历iterable并使用keyfunction的值对它们进行分组：

>>> groupby("sentence", lambda c: c in 'nt')
<itertools.groupby object at 0x9805af4>
>>> [(k, list(g)) for k,g in groupby("sentence", lambda c: c in 'nt')]
[(False, ['s', 'e']), (True, ['n', 't']), (False, ['e']), (True, ['n']), (False, ['c', 'e'])]

其中具有关键函数的连续值的术语被组合在一起。（这是一个常见的错误来源，实际上 - 人们忘记了如果他们想要对可能不是顺序的术语进行分组，他们必须首先按keyfunc排序。）

正如@JonClements猜测的那样，我想到的是

>>> special = dict.fromkeys(string.punctuation + string.whitespace, True)
>>> s = "One two  three    tab\ttabandspace\t end"
>>> [''.join(g) for k,g in groupby(s, special.get)]
['One', ' ', 'two', '  ', 'three', '    ', 'tab', '\t', 'tabandspace', '\t ', 'end']

对于我们组合分隔符的情况。如果值不在dict中，则.get会返回None。

Answer 2

import re
import string

p = re.compile("[^{0}]+|[{0}]+".format(re.escape(
    string.punctuation + string.whitespace)))

print p.findall("Now is the winter of our discontent")

我不喜欢使用正则表达式解决所有问题，但如果你想快速和短暂，我认为你没有太多选择。

我会解释正则表达式，因为你不熟悉它：

[...]表示方括号内的任何字符
[^...]表示方括号

不

+背后意味着上一个或多个
x|y表示匹配x或y

因此，正则表达式匹配1个或多个字符，其中 all 必须是标点符号和空格，或者 none 必须是。 findall方法查找模式的所有非重叠匹配。

Answer 3

试试这个：

import re
re.split('(['+re.escape(string.punctuation + string.whitespace)+']+)',"Now is the winter of our discontent")

来自the Python documentation的解释：

如果在模式中使用捕获括号，则模式中所有组的文本也将作为结果列表的一部分返回。

Answer 4

线性（O(n)）时间的解决方案：

假设你有一个字符串：

original = "a, b...c    d"

首先将所有分隔符转换为空格：

splitters = string.punctuation + string.whitespace
trans = string.maketrans(splitters, ' ' * len(splitters))
s = original.translate(trans)

现在s == 'a b c d'。现在，您可以使用itertools.groupby在空格和非空格之间切换：

result = []
position = 0
for _, letters in itertools.groupby(s, lambda c: c == ' '):
    letter_count = len(list(letters))
    result.append(original[position:position + letter_count])
    position += letter_count

现在result == ['a', ', ', 'b', '...', 'c', ' ', 'd']，这就是你需要的。

Answer 5

根据您正在处理的文字，您可以将分隔符的概念简化为“字母和数字以外的任何内容”。如果这样可行，您可以使用以下正则表达式解决方案：

re.findall(r'[a-zA-Z\d]+|[^a-zA-Z\d]', text)

这假设您要分割每个单独的分隔符字符，即使它们是连续出现的，因此'foo..bar'将变为['foo', '.', '.', 'bar']。如果您希望['foo', '..', 'bar']，请使用[a-zA-Z\d]+|[^a-zA-Z\d]+（唯一不同的是在最后添加+）。

Answer 6

我的看法：

from string import whitespace, punctuation
import re

pattern = re.escape(whitespace + punctuation)
print re.split('([' + pattern + '])', 'now is the winter of')

Answer 7

from string import punctuation, whitespace

s = "..test. and stuff"

f = lambda s, c: s + ' ' + c + ' ' if c in punctuation else s + c
l =  sum([reduce(f, word).split() for word in s.split()], [])

print l

Answer 8

对于任意分隔符集合：

def separate(myStr, seps):
    answer = []
    temp = []
    for char in myStr:
        if char in seps:
            answer.append(''.join(temp))
            answer.append(char)
            temp = []
        else:
            temp.append(char)
    answer.append(''.join(temp))
    return answer

In [4]: print separate("Now is the winter of our discontent", set(' '))
['Now', ' ', 'is', ' ', 'the', ' ', 'winter', ' ', 'of', ' ', 'our', ' ', 'discontent']

In [5]: print separate("Now, really - it is the winter of our discontent", set(' ,-'))
['Now', ',', '', ' ', 'really', ' ', '', '-', '', ' ', 'it', ' ', 'is', ' ', 'the', ' ', 'winter', ' ', 'of', ' ', 'our', ' ', 'discontent']

希望这有帮助

Answer 9

from itertools import chain, cycle, izip

s = "Now is the winter of our discontent"
words = s.split()

wordsWithWhitespace = list( chain.from_iterable( izip( words, cycle([" "]) ) ) )
# result : ['Now', ' ', 'is', ' ', 'the', ' ', 'winter', ' ', 'of', ' ', 'our', ' ', 'discontent', ' ']

使用多个分隔符有效地分割字符串并保留每个分隔符？

9 个答案: