Question

我在完成一个正则表达式教程时遇到了问题\ w +用“查找my_string中的所有大写单词并打印结果”来引用这个问题的单词，其中一些单词有撇号。

原始字符串：

In [1]: my_string
Out[1]: "Let's write RegEx!  Won't that be fun?  I sure think so.  Can you 
find 4 sentences?  Or perhaps, all 19 words?"

当前尝试：

# Import the regex module
import re
# Find all capitalized words in my_string and print the result
capitalized_words = r"((?:[A-Z][a-z]+ ?)+)"
print(re.findall(capitalized_words, my_string))

当前结果：

['Let', 'RegEx', 'Won', 'Can ', 'Or ']

我认为期望的结果是：

['Let's', 'RegEx', 'Won't', 'Can't', 'Or']

你怎么从r“（（？：[AZ] [az] +？）+）”到选择's和't结尾的Let'，不会和不能当不一切都试图抓住预计会有撇号？

Answer 1

只需将撇号添加到第二个括号组：

capitalized_words = r"((?:[A-Z][a-z']+)+)"

Answer 2

我想你可以在小组[a-z']中添加一点撇号。所以它就像((?:[A-Z][a-z']+ ?)+)

希望有效

Answer 3

虽然你有答案，但我想提供一个更真实的世界＆＃34;解决方案使用nltk：

from nltk import sent_tokenize, regexp_tokenize

my_string = """Let's write RegEx!  Won't that be fun?  I sure think so.  Can you 
find 4 sentences?  Or perhaps, all 19 words?"""

sent = sent_tokenize(my_string)
print(len(sent))
# 5

pattern = r"\b(?i)[a-z][\w']*"
print(len(regexp_tokenize(my_string, pattern)))
# 19

而且imo，这些是5个句子，而不是4个句子，除非对某个句子有特殊要求。

Python re.findall（）大写单词，包括Apostrophes

3 个答案: