使用正则表达式分割字符串

Question

我的任务是使用正则表达式对语料库中的单词进行标记，但是我在对诸如“ eg”或“ ie”之类的缩写进行标记时遇到了麻烦。 特别是，我正在查看的语料库中出现的那个显示为'(NB--I'

string = '(N.B.--I'
pattern = r'(\w\.){2,}'
split_p = r'((\w\.){2,})'

match = re.search(pattern, string)
print(match)

split = re.split(split_p, string)
print(split)

['(', 'NB', '--', 'I']是所需的输出列表，但是在运行时...

<_sre.SRE_Match object; span=(1, 5), match='N.B.'>
['(', 'N.B.', 'B.', '--I']

我相信我可以用|-+来分隔破折号

但是，我不明白为什么这个B.在重复

Answer 1

拆分包括所有捕获组。 使用(?:...)在\\w.周围创建一个非捕获组\\w. 子模式：

split_p = r'((?:\w\.){2,})'

演示：

>>> import re
>>> split_p = r'((?:\w\.){2,})'
>>> string = '(N.B.--I'
>>> re.split(split_p, string)
['(', 'N.B.', '--I']

接下来，如果要拆分重复的破折号，只需添加带有|的替代模式| ：

split_p = r'((?:\w\.){2,}|-+)'

演示：

>>> split_p = r'((?:\w\.){2,}|-+)'
>>> re.split(split_p, string)
['(', 'N.B.', '', '--', 'I']

这会在中间产生一个空字符串，因为NB分割点和--点之间有0个字符； 您将不得不再次将其过滤掉。