Python中的正则表达式来检测省略号

Question

我有一个大型文本语料库，我想对其进行一点处理，然后基于它训练 Word2Vec 模型。 在某些情况下，由于省略号而删除单词，例如：

但是看到他们给七八岁的孩子演奏是很美的

或者

这个国家处于独立前和独立后的内战的喧嚣中，但这里的气氛往往是欢乐的

现在我想撤消这些删除（分别是启发和第二个）。 这是我写的：

re.sub(r'- (and|to|or)( [^ -]+?){1,2}-(.+?)( |$|\n)', '-\\3 \\1\\2-\\3\\4', text)

但它不起作用，因为如果and/or/to和第二个单词之间有多个单词- ，则只会显示第一个。 我想要的输出是：

但是看到他们给七岁和八岁的孩子演奏是很美的

和

这个国家处于独立前和独立后的内战的喧嚣中，但这里的气氛往往是欢乐的

Answer 1

我找到了解决方案：

re.sub(r'- (and|to|or)((?: [^ -]+?){1,2})-(.+?)( |$|\n)', '-\\3 \\1\\2-\\3\\4', text)

Answer 2

您可以使用

re.sub(r'\b-(\s+(?:and|to|or)(?:\s+\w+)*\s+\w+(-\w[\w-]*))', r'\2\1', text)

请参阅正则表达式演示。 详情：

• \\b- - 前面带有字符字符的连字符
• (\\s+(?:and|to|or)(?:\\s+\\w+)*\\s+\\w+(-\\w[\\w-]*)) - 第 1 组：
  • \\s+ - 一个或多个空格
  • (?:and|to|or) - and , to or or
  • (?:\\s+\\w+)* - 零次或多次出现一个或多个空格，后跟一个或多个单词字符
  • \\s+ - 一个或多个空格
  • \\w+ - 一个或多个单词字符
  • (-\\w[\\w-]*) - 第 2 组：一个连字符、一个字符字符，然后是零个或多个单词或连字符字符。

请参阅Python 演示：

import re
texts = ['But seeing them playing to seven- and eight-year-olds is beautiful', 'The country was in the uproar of pre- and then post-independence civil war but the mood here is most often joyous']
rx = r''
for text in texts:
    print( re.sub(r'- (and|to|or)((?: [^ -]+?){1,2})-(.+?)( |$|\n)', '-\\3 \\1\\2-\\3\\4', text) )

输出：

But seeing them playing to seven-year-olds and eight-year-olds is beautiful
The country was in the uproar of pre-independence and then post-independence civil war but the mood here is most often joyous