Python正则表达式拆分段落

Question

如何编写在 Python 中使用的正则表达式来拆分段落？

一个段落由两个换行符 (\n) 定义。 但是一个人可以有任意数量的空格/制表符和换行符，它仍然应该被视为一个段落。

我正在使用 Python，因此解决方案可以使用扩展的 Python正则表达式语法。 （可以利用(?P...)的东西）

例子：

the_str = 'paragraph1\n\nparagraph2'
# Splitting should yield ['paragraph1', 'paragraph2']

the_str = 'p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp3'
# Should yield ['p1', 'p2\t\n\tstill p2', 'p3']

the_str = 'p1\n\n\n\tp2'
# Should yield ['p1', '\n\tp2']

我能想到的最好的是： r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*' ，即

import re
paragraphs = re.split(r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*', the_str)

但这很丑陋。 有更好的吗？

拒绝的建议：

r'\s*?\n\s*?\n\s*?' -> 这会使示例 2 和示例 3 失败，因为\s包含\n ，因此它允许分段符超过 2 \n s。

Answer 1

不幸的是，没有写“空格但不是换行符”的好方法。

我认为你能做的最好的事情就是用x修饰符添加一些空间并尝试稍微排除丑陋，但这是有问题的： (?x) (?: [ \t\r\f\v]*? \n ){2} [ \t\r\f\v]*?

您也可以尝试为字符类创建一个子规则并将其插值三次。

Answer 2

您可能试图在 plain test 中推断文档的结构并执行docutils所做的事情。

您也许可以简单地使用Docutils 解析器而不是自己动手。

Answer 3

它不是正则表达式，但它确实很优雅：

from itertools import groupby

def paragraph(lines):
    for group_separator, line_iteration in groupby(lines.splitlines(True), key = str.isspace):
        if not group_separator:
            yield ''.join(line_iteration)

for p in paragraph('p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp'):
    print repr(p)

'p1\n'
'p2\t\n\tstill p2\t   \n'
'\tp3'

当然，您可以根据需要剥离输出。

它的灵感来自著名的“Python Cookbook”；-)

Answer 4

几乎相同，但使用非贪婪量词并利用空白序列。

\s*?\n\s*?\n\s*?

Answer 5

一个人将如何编写一个正则表达式以在python中使用以拆分段落？

段落由2个换行符（\\ n）定义。 但是一个人可以有任意数量的空格/制表符以及换行符，并且仍然应将其视为一个段落。

我正在使用python，因此解决方案可以使用扩展的python正则表达式语法。 （可以利用(?P...)东西）

例子：

the_str = 'paragraph1\n\nparagraph2'
# splitting should yield ['paragraph1', 'paragraph2']

the_str = 'p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp3'
# should yield ['p1', 'p2\t\n\tstill p2', 'p3']

the_str = 'p1\n\n\n\tp2'
# should yield ['p1', '\n\tp2']

我可以带的最好的是： r'[ \\t\\r\\f\\v]*\\n[ \\t\\r\\f\\v]*\\n[ \\t\\r\\f\\v]*' ，即

import re
paragraphs = re.split(r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*', the_str)

但这很丑。 有什么更好的吗？

编辑：

建议被拒绝：

r'\\s*?\\n\\s*?\\n\\s*?' ->这将使示例2和3失败，因为\\s包括\\n ，因此它将允许使用超过2个\\n s的段落分隔符。