Question

我目前正在尝试清除1克文件。其中一些词如下：

word-基本单词，经典情况
word.-基本单词，但带有点
w.s.f.w.-（单词代表单词）-正确的首字母缩写词
w.s.f.w-首字母缩写词不正确（缺少最后一个点）

我当前的实现考虑了两个不同的RegExes，因为我没有成功将它们组合成一个。第一个RegEx识别基本单词：

find_word_pattern = re.compile(r'[A-Za-z]', flags=re.UNICODE)

第二个用于识别缩写词：

find_acronym_pattern = re.compile(r'([A-Za-z]+(?:\.))', flags=re.UNICODE)

假设我有一个input_word作为一个字符序列。输出是通过以下方式获得的：

"".join(re.findall(pattern, input_word))

然后我根据长度选择要使用的输出：输出越长越好。我的策略在没有案例的情况下运作良好。 1，两个模式返回相同的长度。

案例号2是有问题的，因为我的方法会产生word.（带点），但是我需要它返回word（不带点）。目前，决定使用find_acronym_pattern这种情况以产生更长的序列。

案号3符合预期。

案号4：find_acronym_pattern遗漏了最后一个字符，这意味着它会生成w.s.f.，而find_word_pattern会生成wsfw。

我正在寻找一个RegEx（最好是一个，而不是当前使用的两个）：

给定word返回word
给定word.返回word
给定w.s.f.w.返回w.s.f.w.
给定w.s.f.w返回w.s.f.w.
给定m.in返回m.in.

Answer 1

正则表达式永远不会返回不存在的内容，因此您可以忘记需求5。您可以做的就是始终删除最后一个句点，如果结果包含嵌入的句点，则将其添加回去。这将为您提供所需的结果，而且非常简单：

found = re.findall(r"\w+(?:\.\w+)*", input_word)[0]
if "." in found:
    found += "."

如您所见，我匹配一个单词以及任意数量的“ .part”后缀。像您的版本一样，它不仅匹配单个字母的首字母缩写，而且匹配更长的缩写，例如Ph.D.，Prof.Dr。博士或其他。

Answer 2

如果您想要一个正则表达式，则可以使用以下内容：

((?:[A-Za-z](\.))*[A-Za-z]+)\.?

并替换为：

\1\2

Regex demo。

Python 3示例：

import re

regex = r"((?:[A-Za-z](\.))*[A-Za-z]+)\.?"
test_str = ("word\n" "word.\n" "w.s.f.w.\n" "w.s.f.w\n" "m.in")
subst = "\\1\\2"

result = re.sub(regex, subst, test_str, 0, re.MULTILINE)

if result:
    print (result)

输出：

word
word
w.s.f.w.
w.s.f.w.
m.in.

Python demo。

适用于多个点和单个点的Python正则表达式

2 个答案: