Question

我有一个正则表达式来匹配长文本中的词，如下所示：

word = "word"
text = "word subword word"

def char_regex_ascii(word):
    return r"\b{}\b".format(re.escape(word))

r = re.compile(my_regex(word), flags= re.X | re.UNICODE)
for m in r.finditer(text):
    print(m)

输出：

word
word

\b 的原因是我不想找到子串，而是完整的词：例如我对匹配单词 word 不感兴趣文本 subword，但我只想要完整的单词作为结果，所以后面或前面有空格、逗号、点或任何类型的标点符号。

它适用于大多数情况，但如果我在单词的末尾插入一个点，如 w.o.r.d. 它不匹配，因为正则表达式的最后一个 \b 在一个点之后。

word = "w.o.r.d."
text = "w.o.r.d. subword word"

def char_regex_ascii(word):
    return r"\b{}\b".format(re.escape(word))

r = re.compile(my_regex(word), flags= re.X | re.UNICODE)
for m in r.finditer(text):
    print(m)

输出：

(nothing)

我看到使用 \B 使它工作，但我应该在句子的开头和结尾做几次检查，尝试对许多单词尝试 \b 和 \B 的所有组合找到。

word = "w.o.r.d."
text = "w.o.r.d. subword word"

def char_regex_ascii(word):
    return r"\b{}\B".format(re.escape(word))

r = re.compile(my_regex(word), flags= re.X | re.UNICODE)
for m in r.finditer(text):
    print(m)

输出：

w.o.r.d.

是否存在通用方法？

Answer 1

您可以将正则表达式模式 \w+(?:\.?\w+)* 与 re.findall 一起使用：

text = "w.o.r.d. subword word"
matches = re.findall(r'\w+(?:\.?\w+)*', text)
print(matches)  # ['w.o.r.d', 'subword', 'word']

此处使用的模式将“单词”定义为：

\w+         one or more word characters
(?:
    \.?\w+  followed by optional dot and one or more
            word characters
)*          zero or more times

在此定义下，首字母缩略词样式术语（例如 w.o.r.d.）将被捕获为匹配项。

单词边界以匹配开头/结尾处包含点 (.) 的字符串

1 个答案: