Question

我们知道anchors，word boundaries和lookaround匹配一个位置，而不是匹配一个字符。
是否可以使用前面的方法之一用正则表达式（特别是在python中）分割字符串？

例如，请考虑以下字符串：

"ThisisAtestForchEck,Match IngwithPosition."

所以我想要以下结果（以大写字母开头但不以空格开头的子字符串）：

['Thisis', 'Atest', 'Forch' ,'Eck,' ,'Match Ingwith' ,'Position.']

如果我分组我得到：

>>> re.split(r'([A-Z])',s)
['', 'T', 'hisis', 'A', 'test', 'F', 'orch', 'E', 'ck,', 'M', 'atchingwith', 'P', 'osition.']

这是环顾四周的结果：

>>> re.split(r'(?<=[A-Z])',s)
['ThisisAtestForchEck,MatchingwithPosition.']
>>> re.split(r'((?<=[A-Z]))',s)
['ThisisAtestForchEck,MatchingwithPosition.']
>>> re.split(r'((?<=[A-Z])?)',s)
['ThisisAtestForchEck,MatchingwithPosition.']

请注意，如果我想通过以大写字母开头且前面有空格的子字符串进行拆分，例如：

['Thisis', 'Atest', 'Forch' ,'Eck,' ,'Match ', Ingwith' ,'Position.']

我可以使用re.findall，即：

>>> re.findall(r'([A-Z][^A-Z]*)',s)
['Thisis', 'Atest', 'Forch', 'Eck,', 'Match ', 'Ingwith', 'Position.']

但是第一个例子呢：用re.findall解决它是否可能？

Answer 1

 (?<!\s)(?=[A-Z])

你可以使用它来拆分regex模块，因为re不支持以0宽度断言进行拆分。

import regex
x="ThisisAtestForchEck,Match IngwithPosition."
print regex.split(r"(?<![\s])(?=[A-Z])",x,flags=regex.VERSION1)

或

print [i for i in regex.split(r"(?<![\s])(?=[A-Z])",x,flags=regex.VERSION1) if i]

参见演示。

https://regex101.com/r/sJ9gM7/65

Answer 2

使用re.findall的方式：

re.findall(r'(?:[A-Z]|^[^A-Z\s])[^A-Z\s]*(?:\s+[A-Z][^A-Z]*)*',s)

当您决定将您的方法从split更改为findall时，第一项工作就是重新制定您的要求：＆＃34;我希望将每个大写字母上的字符串拆分为非{空间＆＃34; =＆GT; ＆＃34;我希望找到一个或多个以空格开头的子字符串，以字母开头的大写字母开头（如果字符串不以大写字母开头） ＆＃34;

Answer 3

我知道这可能不太方便，因为结果的元组性质。但我认为这findall找到了你需要的东西：

re.findall(r'((?<!\s)[A-Z]([^A-Z]|(?<=\s)[A-Z])*)', s)
## returns [('Thisis', 's'), ('Atest', 't'), ('Forch', 'h'), ('Eck,', ','), ('Match Ingwith', 'h'), ('Position.', '.')]

这可以在以下列表推导中使用，以提供所需的输出：

[val[0] for val in re.findall(r'((?<!\s)[A-Z]([^A-Z]|(?<=\s)[A-Z])*)', s)]
## returns ['Thisis', 'Atest', 'Forch', 'Eck,', 'Match Ingwith', 'Position.']

这是一个使用split：

的黑客攻击

re.split(r'((?<!\s)[A-Z]([^A-Z]|(?<=\s)[A-Z])*)', s)[1::3]
## returns ['Thisis', 'Atest', 'Forch', 'Eck,', 'Match Ingwith', 'Position.']

Answer 4

尝试使用此模式进行捕获

([A-Z][a-z]*(?: [A-Z][a-z]*)*)

Demo

按位置拆分字符串而不是字符

4 个答案: