Question

免责声明：此问题基于书籍"Natural Language Processing with Python"中的一个问题。

我希望：

1）用＆＃34; n＆＃t; t＆＃34;分开单词：例如＆＃34; can＆＃t; t＆＃34;到（＆＃34; ca＆＃34;，＆＃34; n＆＃39; t＆＃34;），

2）也匹配＆＃34;＆＃34;等词。＆＃34;＆＃34;＆＃34;

我得到了正确答案，但不确定原因。特别是，为什么终端锚（$）会使＆＃34; \ w +＆＃34;不那么贪婪并阻止它匹配＆＃34; n＆＃34;？

import re
words = ["can't", 'dog']

#Not the write answer b/c \w+ matches the "n"
[re.findall(r"(\w+)(n't)?", w) for w in words] # [[('can', ''), ('t', '')], [('dog', '')]]

#Somehow end of line anchor stops \w+ from matching 'n'
[re.findall(r"(\w+)(n't)?$", w) for w in words] #[[('ca', "n't")], [('dog', '')]]

谢谢。

Answer 1

使用$意味着表达式必须一直到行的末尾（或者在这种情况下，字符串的结尾）。（请注意，在该表达式中，n't是可选的，但$不是。）\w+可以匹配＆＃34; n＆＃34;但不是撇号。如果\w+匹配＆＃34;可以＆＃34;，那么为了一直到达行的末尾，表达式(n't)?$的其余部分必须与其余部分匹配字符串"'t"，它没有。

当您不使用$时，表达式不会被强制匹配整个字符串。然后\w+可以匹配"can"，它就会停在那里而不再匹配。

Answer 2

默认情况下，

+贪婪。因此\w+正则表达式中的(\w+)(n't)?贪婪地匹配字符串n中的can't，然后它不会回溯以获得can't的结果，因为您将(n't)?的下一个模式设为可选。

为了避免这种情况，您需要在?符号旁添加非贪婪量词+，例如

(\w+?)(n't)?

一旦找到像(\w+)这样的子字符串，就会停止使用此n't模式消费字词。

DEMO

>>> words = ["can't", 'dog']
>>> [re.findall(r"(\w+?)(n't)?\b", w) for w in words]
[[('ca', "n't")], [('dog', '')]]

在可选组旁边添加单词边界将为您提供所需的输出，因为我们将前一个\w+?模式声明为非贪婪，我们还将以下(n't)作为可选项。所以它拆分输入字符串。在可选组旁边添加单词边界\b后，它确保在匹配的字符串后面必须有单词边界。

Answer 3

(\w+)(?=n't|$)(n't)?

您也可以尝试使用此功能。请使用re.findall。请参阅demo.Grab捕获。

https://regex101.com/r/dU7oN5/30

python正则表达式拆分可以进入（＆＃39; ca＆＃39;，＆＃34; n＆＃39; t＆＃34;）

3 个答案: