Question

每次遇到标点符号或数字时，我都会尝试拆分字符串，例如：

toSplit = 'I2eat!Apples22becauseilike?Them'
result = re.sub('[0123456789,.?:;~!@#$%^&*()]', ' \1',toSplit).split()

所需的输出将是：

['I', '2', 'eat', '!', 'Apples', '22', 'becauseilike', '?', 'Them']

但是，上面的代码（尽管它正确地分割了应该在的位置）删除了所有数字和标点符号。

任何澄清将不胜感激。

Answer 1

对捕获组使用re.split：

toSplit = 'I2eat!Apples22becauseilike?Them'
result = re.split('([0-9,.?:;~!@#$%^&*()])', toSplit)
result

输出：

['I', '2', 'eat', '!', 'Apples', '2', '', '2', 'becauseilike', '?', 'Them']

如果要拆分重复的数字或标点符号，请添加+：

result = re.split('([0-9,.?:;~!@#$%^&*()]+)', toSplit)
result

输出：

['I', '2', 'eat', '!', 'Apples', '22', 'becauseilike', '?', 'Them']

Answer 2

您可以使用以下类似的方式将字符串标记化为数字，字母和其他非空格字符：字母，数字和

re.findall(r'\d+|(?:[^\w\s]|_)+|[^\W\d_]+', toSplit)

在这里

\d+-1个以上数字
(?:[^\w\s]|_)+-除单词和空格字符或_之外的1+个字符
[^\W\d_]+-任意1个以上Unicode字母。

请参见regex demo。

匹配方法比拆分更灵活，因为它还允许对复杂结构进行标记。说，您还想标记十进制（浮点数，双精度数...）数字。您只需要使用\d+(?:\.\d+)?而不是\d+：

re.findall(r'\d+(?:\.\d+)?|(?:[^\w\s]|_)+|[^\W\d_]+', toSplit) 
             ^^^^^^^^^^^^^

请参见this regex demo。

Answer 3

使用re.split在找到字母范围时进行分割

>>> import re                                                              
>>> re.split(r'([A-Za-z]+)', toSplit)                                      
['', 'I', '2', 'eat', '!', 'Apples', '22', 'becauseilike', '?', 'Them', '']
>>>                                                                        
>>> ' '.join(re.split(r'([A-Za-z]+)', toSplit)).split()                    
['I', '2', 'eat', '!', 'Apples', '22', 'becauseilike', '?', 'Them']

在Python中按标点或数字拆分字符串

3 个答案: