Python 如果有大写字母，则将短语拆分为单词，但如果它们之间有逗号，则不拆分

Question

我正在尝试将一个短语拆分成单词。

例子

输入是：

Varie Tutto l'anno Nessuna Triennale,Magistrale Italia Alta

预期 output 是：

['Varie ', "Tutto l'anno ", 'Nessuna ', 'Triennale, Magistrale ', 'Italia ', 'Alta']

免责声明

当有大写字母时，我成功地将短语拆分为单词，但是我意识到其中一些之间有一个逗号（实际上我需要将它们放在一起）所以我想排除这种情况下的拆分。 我刚开始接触这类东西，这个 re.split function 真的很混乱。

我试过的

我尝试了以下方法：

re.split('(?=[A-Z])+|[,]',text )

然而，这并不完全符合我的要求，因为它在遇到逗号时也会分开，但我正试图做相反的事情。

我怎样才能做到这一点？

Answer 1

TL;DR：按空间拆分并环顾四周： re.compile(r'(?<,?) (.=[AZ])').split(text) ，第 4 节中的详细信息。

0. 试试你的正则表达式

在 regex101 或 regexpl.net（具有 Python 风格）上尝试您的正则表达式。

看演示：

\b(?<!,)[A-Z]

用途：

1. \b字边界（空格或逗号或点等）
2. (?<,,)否定后视：以下不应以逗号开头
3. [AZ]字符范围的大写字母 (AZ)

1.拆分

在 Python：

import re

text = "Varie Tutto l'anno Nessuna Triennale,Magistrale Italia Alta"

words = re.split(r'\b(?<!,)[A-Z]', text)
print(words)

印刷：

['', 'arie ', "utto l'anno ", 'essuna ', 'riennale,Magistrale ', 'talia ', 'lta']

好的，结果中有一些空字符串。

哎呀，大写字母被吞没了……让我们修理分离器。 它不应包括 [AZ] 作为分隔符：

在Python中，如何拆分字符串并保留分隔符？

2.查找所有

re.findall(r'\b(?<!,)[A-Z][^A-Z]*', text)

印刷：

['Varie ', "Tutto l'anno ", 'Nessuna ', 'Triennale,', 'Italia ', 'Alta']

但在逗号后全部吞下（例如，结果Triennale,中缺少Magistrale ，而不是预期的Triennale,Magistrale ）。

以大写字母拆分字符串

3.替代与拆分

同时使用 lookbehind 和 lookahead 以及 NUL special-char \0作为分隔符。

re.sub(r'(?<!,)\b(?=[A-Z])', '\0', text).split('\0')

印刷：

['', 'Varie ', "Tutto l'anno ", 'Nessuna ', 'Triennale,Magistrale ', 'Italia ', 'Alta']

结果中仍然有一些空字符串。

Python 正则表达式后视和前视

4.按预期拆分

re.compile(r'(?<!,) (?=[A-Z])').split(text)

印刷：

['Varie', "Tutto l'anno", 'Nessuna', 'Triennale,Magistrale', 'Italia', 'Alta']

现在所有空格都被吞没了（例如，结果是Varie而不是Varie ），因为这是分隔符。

Answer 2

我坚信我提出的不是最好的主意，而是解决您问题的方法。 这就是我想出的：

import re
input = "Varie Tutto l'anno Nessuna Triennale,Magistrale Italia Alta"
output = re.sub('(\s|^)([A-Z][^A-Z]*)($|\s)', r'\n\2\n',input)
output = re.split("\n", output)
output = list(filter(None, output))

output

['Varie', "Tutto l'anno", 'Nessuna', 'Triennale,Magistrale', 'Italia', 'Alta']