Question

我试图用Python替换特定单词（由下划线的特定单词边界分隔）。我知道我可以将字符串拆分并循环遍历列表项以替换关键短语，然后在之后将其重新连接为字符串..但是，这并不是最优雅或最佳的方式。

所以，假设出于我想做的事情，我基于正则表达式创建了一个小函数，如下所示：

def replace_words(string, rep_dict, separator):
    regex = r'({0}|\b)({1})({2}|\b)'.format(re.escape(separator), '|'.join(rep_dict.keys()), re.escape(separator))
    return re.sub(regex, lambda x: '{0}{1}{2}'.format(x.group(1), rep_dict[x.group(2)], x.group(3)), string)

假设我使用任何其他分隔符，例如星号（*），则它按预期工作：

 rep_odds = {'first': '1st', 'third': '3rd', 'fifth': '5th'}
 rep_evens = {'second': '2nd', 'fourth': '4th'}
 orders = ['first', 'second', 'third', 'fourth', 'fifth']
 before = '*'.join(orders)
 after = replace_words(before, rep_odds, separator='*')
 # returns: 1st*second*3rd*fourth*5th
 after = replace_words(before, {**rep_odds, **rep_evens}, separator='*')
 # returns: 1st*2nd*3rd*4th*5th

但是，如果我将其更改为使用下划线（_）代替分隔符，则会出现此意外和错误的行为：

before = '_'.join(orders)
after = replace_words(before, rep_odds, separator='_')
# returns: 1st_second_3rd_fourth_5th <-- Good
after = replace_words(before, {**rep_odds, **rep_evens}, separator='_')
# returns: 1st_second_3rd_fourth_5th <-- What went wrong ?!

如果有人可以帮助我理解这种行为，那么我对学习正则表达式及其在Python中的工作方式还是很陌生的。

Answer 1

整洁的问题。这是问题所在：

re.sub不允许一个字符位于多个匹配组中；一旦一个字符属于一个匹配项，就将其消耗掉，除非您指定该匹配项是非消耗性的。使用星号进行匹配时，关键事实是单词边界位于星号和单词字符之间。以下是使用星号时的匹配组（{0}中的{1}，{2}和lambda）：

('', 'first', '*')
('', 'second', '*')
('', 'third', '*')
('', 'fourth', '*')
('', 'fifth', '')

当正则表达式匹配器到达第一个匹配项的末尾时，其光标位于第一个星号和单词second之间，该单词位于单词边界。因此，second*也是一个匹配项，然后是third*等，

但是，当您使用下划线时，以下是对应的匹配项：

('', 'first', '_')
('_', 'third', '_')
('_', 'fifth', '')

当正则表达式匹配器到达第一个匹配项的结尾时，其光标位于第一个下划线和单词second之间，该单词不是一个单词边界。由于它已经通过了第一个下划线并且不在单词边界上，因此它不能匹配(_|\b)second。因此，直到second之后的下一个下划线都没有匹配项，您可以看到该匹配项包括与third相邻的两个下划线。

简而言之，第一个示例是“幸运的”，因为在通过分隔符之后，您将落入单词边界，而第二个示例则不是这种情况。

要解决此问题，您可以使用前瞻性断言，该断言不会消耗匹配的字符。

def replace_words(string, rep_dict, separator):
    regex = r'({0}|\b)({1})((?={2}|\b).*?)'.format(
        re.escape(separator), '|'.join(rep_dict.keys()), re.escape(separator)
    )

    return re.sub(
        regex, lambda x: '{0}{1}{2}'.
        format(x.group(1), rep_dict[x.group(2)], x.group(3)), string
    )

匹配项如下：

('', 'first', '')
('*', 'second', '')
('*', 'third', '')
('*', 'fourth', '')
('*', 'fifth', '')

忽略下面的删除线文本，该文本会与单词前缀匹配，例如*firstperson*会变成*1stperson*。

P.S。拆分并重新加入可能是您最好的选择。无论如何，这都是re.sub在后台执行的操作，因为字符串是不可变的。

~~要解决此问题，您只能匹配关键字或前面的分隔符或字符串的开头（或者，匹配关键字或后面的分隔符）。~~

def replace_words(string, rep_dict, separator): regex = r'(^|{0})({1})'.format( re.escape(separator), '|'.join(rep_dict.keys()) ) return re.sub( regex, lambda x: print(x.groups()) or '{0}{1}'. format(x.group(1), rep_dict[x.group(2)]), string )

Answer 2

它不会直接回答您的问题，但这不是：

def replace_words(s, rep_dict, sep):
    return sep.join(rep_dict.get(word, word) for word in s.split(sep))

比regex解决方案（无论如何都使用join）更优雅吗？

Answer 3

如果我对您的理解正确，那么您就不需要regex。

rep_odds = {'first': '1st', 'third': '3rd', 'fifth': '5th'}
rep_evens = {'second': '2nd', 'fourth': '4th'}
orders = ['first', 'second', 'third', 'fourth', 'fifth']

print('_'.join([rep_odds.get(x, rep_evens.get(x, 0)) for x in orders]))
# 1st_2nd_3rd_4th_5th

您可以将其推广为与任何分隔符或orders的任何顺序一起使用，例如：

def fun(sep, orders):
    print(sep.join([rep_odds.get(x, rep_evens.get(x, 0)) for x in orders]))

fun('*', orders)
# 1st*2nd*3rd*4th*5th

Answer 4

这是另一种方式：

z=dict(rep_odds.items() + rep_evens.items())
for i,item in enumerate(orders):
    orders[i]=z.get(item)

输出：

print(orders)
['1st', '2nd', '3rd', '4th', '5th']

正则表达式替换Python中用下划线分隔的单词

4 个答案: