通过正则表达式使用替换方法连接术语

Question

问题摘要：我编写了通用正则表达式来从句子中捕获两个组。 此外，我需要将第 2 组的第 3 项连接到第 1 组。 我在正则表达式中使用了单词and作为分区来分隔两组句子。 例如：

输入 = '因为 SAC-1 和 RbC-27合成的遗传细胞不是由人脸和动物皮肤中痤疮的 WbC-2 引起的。

Output = '由于人脸皮肤和动物皮肤中痤疮的 WbC-2 不引起 SAC-1合成和 RbC-27合成的遗传细胞。'

我尝试过的正则表达式：

import re
string_ = "Since, the genetic cells of SAC-1 and RbC-27 synthesis was not caused by WbC-2 of acnes in human face and animals skin." 
regex_pattern = re.compile(r"\b([A-Za-z]*-\d+\s*|[A-Za-z]+\s*)\s+(and\s*[A-Za-z]*-\d+\s*[A-Za-z]*|and\s*[A-Za-z]+\s*[A-Za-z]+)?")
print(regex_pattern.findall(string_))
print(regex_pattern.sub(lambda x: x.group(1) + x.group(2)[2], string_))

正则表达式能够捕获组，但我收到错误，因为TypeError: 'NoneType' object is not subscriptable from the substitute method line。 执行上述问题的任何建议或帮助将不胜感激。

Answer 1

拆分解决方案

虽然这不是正则表达式解决方案，但这肯定有效：

from string import punctuation

x = 'Since, the genetic cells of SAC-1 and RbC-27 synthesis was not caused by WbC-2 of acnes in human face and animals skin.'
x = x.split()
for idx, word in enumerate(x):
    if word == "and":
        # strip punctuation or we will get skin. instead of skin
        x[idx] = x[idx + 2].strip(punctuation) + " and"
print(' '.join(x))

Output 是：

因为，SAC-1合成和RbC-27合成的遗传细胞不是由人脸皮肤和动物皮肤中痤疮的WbC-2引起的。

此解决方案避免直接插入到列表中，因为这会在您迭代时导致索引出现问题。 相反，我们将列表中的第一个“and”替换为“synthesis and”，将第二个“and”替换为“skin and”，然后重新加入拆分字符串。

正则表达式解决方案

如果您坚持使用正则表达式解决方案，我建议将re.findall与包含单个模式的模式一起使用，因为这更适用于该问题：

from string import punctuation
import re
pattern = re.compile("(.*?)\sand\s(.*?)\s([^\s]+)")
result = ''.join([f"{match[0]} {match[2].strip(punctuation)} and {match[1]} {match[2]}" for match in pattern.findall(x)])
print(result)

因为，SAC-1合成和RbC-27合成的遗传细胞不是由人脸皮肤和动物皮肤中痤疮的WbC-2引起的。

我们再次使用strip(punctuation) ，因为skin. 被捕获：我们不想在句尾丢失标点符号，但我们确实希望在句内丢失它。

这是我们的模式：

(.*?)\sand\s(.*?)\s([^\s]+)

1. (.*?)\s ：捕获“and”之前的所有内容，包括空格
2. \s(.*?)\s ：捕获紧跟在“and”之后的单词
3. ([^\s]+) ：捕获直到下一个空格之前不是空格的任何内容（即“and”之后的第二个单词）。 这确保我们也能捕捉到标点符号。

Answer 2

您不需要导入punctuation ，一个正则表达式就可以了：

import re
x = 'Since, the genetic cells of SAC-1 and RbC-27 synthesis was not caused by WbC-2 of acnes in human face and animals skin.'
pattern = re.compile(r"(.*?)\s+and\s+(\S+)\s+(\S+)\b([_\W]*)", re.DOTALL)
result = ''.join([f"{a} {c} and {b} {c}{d}" for a,b,c,d in pattern.findall(x)])
print(result)

结果： Since, the genetic cells of SAC-1 synthesis and RbC-27 synthesis was not caused by WbC-2 of acnes in human face skin and animals skin.

参见Python 证明。

使用re.DOTALL允许点匹配换行符。
在末尾使用\b单词边界来去除标点符号并将其捕获到一个单独的组中([_\W]*) 。
使用\s+从结果中修剪任意数量的空白字符。
[^\s]与\S相同，使其更短。

请参阅正则表达式证明。

解释

--------------------------------------------------------------------------------
  (                        group and capture to \1:
--------------------------------------------------------------------------------
    .*?                      any character (0 or more times (matching
                             the least amount possible))
--------------------------------------------------------------------------------
  )                        end of \1
--------------------------------------------------------------------------------
  \s+                      whitespace (\n, \r, \t, \f, and " ") (1 or
                           more times (matching the most amount
                           possible))
--------------------------------------------------------------------------------
  and                      'and'
--------------------------------------------------------------------------------
  \s+                      whitespace (\n, \r, \t, \f, and " ") (1 or
                           more times (matching the most amount
                           possible))
--------------------------------------------------------------------------------
  (                        group and capture to \2:
--------------------------------------------------------------------------------
    \S+                      non-whitespace (all but \n, \r, \t, \f,
                             and " ") (1 or more times (matching the
                             most amount possible))
--------------------------------------------------------------------------------
  )                        end of \2
--------------------------------------------------------------------------------
  \s+                      whitespace (\n, \r, \t, \f, and " ") (1 or
                           more times (matching the most amount
                           possible))
--------------------------------------------------------------------------------
  (                        group and capture to \3:
--------------------------------------------------------------------------------
    \S+                      non-whitespace (all but \n, \r, \t, \f,
                             and " ") (1 or more times (matching the
                             most amount possible))
--------------------------------------------------------------------------------
  )                        end of \3
--------------------------------------------------------------------------------
  \b                       the boundary between a word char (\w) and
                           something that is not a word char
--------------------------------------------------------------------------------
  (                        group and capture to \4:
--------------------------------------------------------------------------------
    [_\W]*                   any character of: '_', non-word
                             characters (all but a-z, A-Z, 0-9, _) (0
                             or more times (matching the most amount
                             possible))
--------------------------------------------------------------------------------
  )                        end of \4