Question

我希望匹配单词＆＃34; c ++＆＃34;在Python 3中使用单词边界。但我的猜测是\ b也会在加号上触发。

为了清楚起见，我已简化为以下测试用例：

\bc\+\+\b

我希望我可以保留单词边界，但不知何故更改其设置。

这样做的原因是我想将正则表达式放在一个tfidfVectorizer中的token_pattern中，我无法控制它们如何使用它。

Link to online regex tool

Answer 1

如何影响字符类的“行为”的方式非常有限 - 它们被称为标志：

re.ASCII ... re.VERBOSE

他们f.e.允许r'.'匹配换行符（re.DOTALL），更改^$（re.MULTILINE）的行为或使您的正则表达式匹配，而不会感知案例（re.IGNORECASE）。

他们都没有将\b更改为没有'+'。如果您想将c++与wordboundaries匹配，则必须模仿您的模式中的\b - 行为：

\b    Matches the empty string, but only at the beginning or end of a word. 
      A word is defined as a sequence of word characters. Note that formally, 
      \b is defined as the boundary between a \w and a \W character (or vice versa), 
      or between \w and the beginning/end of the string. This means that r'\bfoo\b' 
      matches 'foo', 'foo.', '(foo)', 'bar foo baz' but not 'foobar' or 'foo3'.

来源：https://docs.python.org/3/library/re.html#regular-expression-syntax

最简单的可能是使用之前的单词边界的mach'c ++'以及之后的空格或非单词字符。 r'\bc\+\+[\s\W]'但这也符合'c+++'。如果您想完全匹配'c++'而不是'c+++'，则可能需要在模式中添加'\s'并将其与您允许的其他字符一起扩展：

r'\b(c\+\+)[\s.,!?]'

扩展bracked中的字符以容纳c ++后允许的更多内容 - 将它们从分组中排除（c ++）将需要它们匹配但不包括在组中。

对于正则表达式测试工具，可能更改为https://regex101.com/ - 它具有python支持，您甚至可以保存模式和测试文本并提供链接：

https://regex101.com/r/6XtVTS/1

如何将c ++与单词边界匹配

1 个答案: