Python 正则表达式：查找所有正则表达式以将文本字符串匹配到棘手的规范并将最终结果放在单词列表中

Question

我有一个字符串：

sample_input = """
This film is based on Isabel Allende's not-so-much-better novel. I hate Meryl
Streep and Antonio Banderas (in non-Spanish films), and the other actors,
including Winona, my favourite actress and Jeremy Irons try hard to get over
such a terrible script.

我想对其应用正则表达式，以便它可以生成所需的 output：

['this', 'film', 'is', 'based', 'on', 'isabel', "allende's", 'not-so', 'much-better', 'novel', 'i', 'hate', 'meryl', 'streep', 'and', 'antonio', 'banderas', 'in', 'non-spanish', 'films', 'and', 'the', 'other', 'actors', 'including', 'winona', 'my', 'favourite', 'actress', 'and', 'jeremy', 'irons', 'try', 'hard', 'to', 'get', 'over', 'such', 'a', 'terrible', 'script']

我想使用以下规则创建一个单词列表（全部小写）：

1. 一个单词必须以单个字母或数字开头和结尾。
2. 一个单词中只能有一个连字符 (-) 或一个撇号 (')
3. 如果违反 1 或 2 则为新词

**有关详细信息，请参阅所需的 output。

请注意，正则表达式在一个单词中只能允许一个连字符或一个撇号，但每个单词不能超过一个。

我尝试了以下代码：

sample_output_regex = re.findall(r'[a-zA-Z0-9]*[-]?|[\']?[a-zA-Z0-9]*', sample_input.lower())

但是 output 很差：

['', 'this', '', 'film', '', 'is', '', 'based', '', 'on', '', 'isabel', '', 'allende', '', "'s", '', 'not-', 'so-', 'much-', 'better', '', 'novel', '', '', 'i', '', 'hate', '', 'meryl', '', 'streep', '', 'and', '', 'antonio', '', 'banderas', '', '', 'in', '', 'non-', 'spanish', '', 'films', '', '', '', 'and', '', 'the', '', 'other', '', 'actors', '', '', 'including', '', 'winona', '', '', 'my', '', 'favourite', '', 'actress', '', 'and', '', 'jeremy', '', 'irons', '', 'try', '', 'hard', '', 'to', '', 'get', '', 'over', '', 'such', '', 'a', '', 'terrible', '', 'script', '', '', '']

为了更好地使用正则表达式，我想知道我的正则表达式代码在哪里关闭。 如何更改它以获得我想要的 output。 细节将不胜感激。 例如，当我的正则表达式不要求匹配空格时，为什么空格会被拉为 ''？

Answer 1

关于图案：

您会得到空条目，因为模式[a-zA-Z0-9]*[-]?|[\']?[a-zA-Z0-9]*中的所有部分都是可选的。

由于交替| 例如not-so不会是单个匹配项，因为-之后的部分不会被匹配。

---

您可能会使用以下方法：

\b[a-zA-Z0-9]+(?:[-'][a-zA-Z0-9]+)?\b

模式匹配

• \b一个词的边界
• [a-zA-Z0-9]+匹配任何列出的范围的 1+ 倍
• (?:非捕获组
  • [-'][a-zA-Z0-9]+匹配列出范围中的单个-或'和 1+
• )? 关闭组并使其成为可选
• \b一个词的边界

正则表达式演示

然后，您可以将所有匹配项转换为小写匹配项。

import re

sample_input = """
This film is based on Isabel Allende's not-so-much-better novel. I hate Meryl
Streep and Antonio Banderas (in non-Spanish films), and the other actors,
including Winona, my favourite actress and Jeremy Irons try hard to get over
such a terrible script."""

res = [x.lower() for x in re.findall(r"\b[a-zA-Z0-9]+(?:[-'][a-zA-Z0-9]+)?\b", sample_input)]
print(res)

Output

['this', 'film', 'is', 'based', 'on', 'isabel', "allende's", 'not-so', 'much-better', 'novel', 'i', 'hate', 'meryl', 'streep', 'and', 'antonio', 'banderas', 'in', 'non-spanish', 'films', 'and', 'the', 'other', 'actors', 'including', 'winona', 'my', 'favourite', 'actress', 'and', 'jeremy', 'irons', 'try', 'hard', 'to', 'get', 'over', 'such', 'a', 'terrible', 'script']