Question

我希望找到一个正则表达式，它可以将段落（长字符串，无需担心的换行符）分解为句子，其中一个简单的规则是{。，？，！}后面跟一个空格然后一个大写字母应该是句子的结尾（我意识到这对现实生活来说不是一个好的规则）。

我有部分工作，但它并没有完成这项工作：

line = 'a b c FFF! D a b a a FFF. gegtat FFF. A'
matchObj = re.split(r'(.*?\sFFF[\.|\?|\!])\s[A-Z]', line)
print (matchObj)

打印

['', 'a b c FFF!', '', ' a b a a FFF. gegtat FFF.', '']

而我想得到：

['a b c FFF!', 'D a b a a FFF. gegtat FFF.']

所以有两个问题。

为什么结果中有空成员（''）？
我理解为什么D会从分割结果中删除 - 这是第一次搜索的一部分。如何以不同的方式构建我的搜索，以便在标点符号后面的大写字母被放回，以便它可以包含在下一句中？在这种情况下，如何在分割结果的第二个元素中显示D？

我知道我可以通过某种for-loop实现这一目的，只是剥离第一个结果，加回大写字母，然后重新做一遍，但这似乎不是那么Pythonic。如果正则表达式不是这里的方法，还有什么东西仍然可以避免for循环吗？

感谢您的任何建议。

Answer 1

要解决第一个问题（split()返回的结果中的空字符串），使用findall()或finditer() < /强>：

>>> re.findall(r'(.*?\sFFF[\.|\?|\!])\s[A-Z]', line) ['a b c FFF!', ' a b a a FFF. gegtat FFF.']

您在输出中看到空字符串，因为split()应该做什么：使用匹配的组作为分隔符拆分输入字符串。

对于第二个问题（输出中缺少 D ），使用lookahead assertion (?=...) ：

>>> re.findall(r'(.*?\sFFF[\.|\?|\!])\s(?=[A-Z])', line) ['a b c FFF!', 'D a b a a FFF. gegtat FFF.']

前瞻，否定前瞻，外观和负面观察是四种断言，你可以用来说'＃34;只有在跟随/先于群组时匹配这个群组，但不要使用字符串＆＃34;

仔细阅读您的表达，似乎您误解了[...]运算符的语法。您似乎想要匹配.，?和!中的一个。

如果是这种情况，那么您可以将[\.|\?|\!]重写为[.?!] ：

>>> re.findall(r'(.*?\sFFF[.?!])\s(?=[A-Z])', line) ['a b c FFF!', 'D a b a a FFF. gegtat FFF.']

[.?!]不仅更紧凑，而且更正确：[\.|\?|\!]您还匹配|字符（因此'a b c FFF|'是有效匹配）！

Python正则表达式拆分但将正则表达式匹配的末尾部分放回字符串中？

1 个答案: