设置正则表达式模式以识别枚举的重复模式，其中相同的匹配重复未知次数的连续次数

Question

import re

input_text = "hjshhshs el principal, amplio, de gran importancia, y más costoso hotel de la zona costera. Es una sobrilla roja, bastante amplia y incluso cómoda de llevar. Hay autos rápidos, más costosos, y veloces. también, hay otro tipo de autos menos costosos"

direct_subject_modifiers = r"((?:\w+))"
modifier_connectors = r"(?:(?:,\s*|)y|(?:,\s*|)y|,)\s*(?:(?:(?:a[úu]n|todav[íi]a|incluso)\s+|)(?:de\s*gran|bastante|un\s*tanto|un\s*poco|)\s*(?:m[áa]s|menos)\s+|)"

regex = modifier_connectors + direct_subject_modifiers

matches = re.finditer(regex, input_text, re.MULTILINE | re.IGNORECASE)

input_text = re.sub(matches, lambda m: (f"\(\(DESCRIP\){m[1]}\)"), input_text, re.IGNORECASE)
print(repr(input_text))

如何构建正则表达式来检测在这两种模式中重合的 n 个元素的连续描述regex = modifier_connectors + direct_subject_modifiers ，重复自己的次数未知？

output 在识别字符串中的元素并将它们放在括号中之后，请记住在同一个字符串中可以有多个模式必须封装在括号之间，在这个例子中有 3 个。

"hjshhshs el ((DESCRIP)principal, amplio, de gran importancia, y más costoso) hotel de la zona costera. Es una sobrilla ((DESCRIP)roja, bastante amplia y incluso cómoda) de llevar. Hay autos ((DESCRIP)Hay autos rápidos, más costosos, y veloces). también, hay otro tipo de autos menos costosos"

Answer 1

首先是正则表达式和代码的一些问题：

• 由于第一个正则表达式不匹配空格，第二个正则表达式应该允许在它匹配的单词前后有空格。 这并没有始终如一地完成（例如，在“de gran”之后没有匹配的空间）。

• 由于您的文本包含重音字母，因此您需要应用re.UNICODE修饰符，因此\w也会匹配这些字母。

• 为避免误报，您最好在正则表达式中也添加一些\b ，以确保y在hay和类似问题中不匹配。

• re.sub期望一个正则表达式作为第一个参数，而不是来自re.finditer的匹配项

• re.sub期望标志作为第 5^个参数，而不是第 4^个

• m[1]只会重现第一个捕获组匹配的内容，而您需要在此处重现所有匹配的文本。 这将是m[0] ，但请参阅下面的评论。

没问题，但是有一个? 您可以使用的运算符。 它可以用来代替用( |)添加空的替代品。

不需要re.sub回调。 您可以提供一个字符串文字作为第二个参数，并使用\g<0>重现匹配的字符串。

至于主要问题：您可以使用{2,}量词将模式重复至少两次。

这是我最终得到的代码：

import re

input_text = "hjshhshs el principal, amplio, de gran importancia, y más costoso hotel de la zona costera. Es una sobrilla roja, bastante amplia y incluso cómoda de llevar. Hay autos rápidos, más costosos, y veloces. también, hay otro tipo de autos menos costosos"

direct_subject_modifiers = r"((?:\w+))"
# always match prefix and postfix spaces
modifier_connectors = r"\s*(?:\by\s+|,\s*(?:y\s+)?)\b(?:(?:a[úu]n|todav[íi]a|incluso)?(?:de\s*gran|m[áa]s|menosde\s*gran|bastante|(?:un\s*tanto|un\s*poco)?\s*(?:m[áa]s|menos))?)\b\s*"  

regex = direct_subject_modifiers + "(?:" + modifier_connectors  + direct_subject_modifiers + "){2,}"

"""
Added Unicode mode, to match accented letters too
First arg should be the regex. 
No need for callback argument. Just back reference with g<0>
No need to escape parentheses in the replacement string
"""

input_text = re.sub(regex, r"((DESCRIP)\g<0>)", input_text, flags=re.I | re.U)
print(repr(input_text))

Output：

'hjshhshs el ((DESCRIP)principal, amplio, de gran importancia, y más costoso) hotel de la zona costera。 Es una sobrilla ((DESCRIP)roja, bastante amplia y incluso cómoda) de llevar。 Hay autos ((DESCRIP)rápidos, más costosos, y veloces)。 también, hay otro tipo de autos menos costosos'

最后一点：语言语法太复杂，无法用正则表达式解析。 您总是会遇到基于正则表达式的解决方案不足的示例……并且代码将变得难以维护。 标记输入然后通过代码应用规则将更易于管理。