Python 正則表達式：查找所有正則表達式以將文本字符串匹配到棘手的規范並將最終結果放在單詞列表中

Question

我有一個字符串：

sample_input = """
This film is based on Isabel Allende's not-so-much-better novel. I hate Meryl
Streep and Antonio Banderas (in non-Spanish films), and the other actors,
including Winona, my favourite actress and Jeremy Irons try hard to get over
such a terrible script.

我想對其應用正則表達式，以便它可以生成所需的 output：

['this', 'film', 'is', 'based', 'on', 'isabel', "allende's", 'not-so', 'much-better', 'novel', 'i', 'hate', 'meryl', 'streep', 'and', 'antonio', 'banderas', 'in', 'non-spanish', 'films', 'and', 'the', 'other', 'actors', 'including', 'winona', 'my', 'favourite', 'actress', 'and', 'jeremy', 'irons', 'try', 'hard', 'to', 'get', 'over', 'such', 'a', 'terrible', 'script']

我想使用以下規則創建一個單詞列表（全部小寫）：

1. 一個單詞必須以單個字母或數字開頭和結尾。
2. 一個單詞中只能有一個連字符 (-) 或一個撇號 (')
3. 如果違反 1 或 2 則為新詞

**有關詳細信息，請參閱所需的 output。

請注意，正則表達式在一個單詞中只能允許一個連字符或一個撇號，但每個單詞不能超過一個。

我嘗試了以下代碼：

sample_output_regex = re.findall(r'[a-zA-Z0-9]*[-]?|[\']?[a-zA-Z0-9]*', sample_input.lower())

但是 output 很差：

['', 'this', '', 'film', '', 'is', '', 'based', '', 'on', '', 'isabel', '', 'allende', '', "'s", '', 'not-', 'so-', 'much-', 'better', '', 'novel', '', '', 'i', '', 'hate', '', 'meryl', '', 'streep', '', 'and', '', 'antonio', '', 'banderas', '', '', 'in', '', 'non-', 'spanish', '', 'films', '', '', '', 'and', '', 'the', '', 'other', '', 'actors', '', '', 'including', '', 'winona', '', '', 'my', '', 'favourite', '', 'actress', '', 'and', '', 'jeremy', '', 'irons', '', 'try', '', 'hard', '', 'to', '', 'get', '', 'over', '', 'such', '', 'a', '', 'terrible', '', 'script', '', '', '']

為了更好地使用正則表達式，我想知道我的正則表達式代碼在哪里關閉。 如何更改它以獲得我想要的 output。 細節將不勝感激。 例如，當我的正則表達式不要求匹配空格時，為什么空格會被拉為 ''？

Answer 1

關於圖案：

您會得到空條目，因為模式[a-zA-Z0-9]*[-]?|[\']?[a-zA-Z0-9]*中的所有部分都是可選的。

由於交替| 例如not-so不會是單個匹配項，因為-之后的部分不會被匹配。

---

您可能會使用以下方法：

\b[a-zA-Z0-9]+(?:[-'][a-zA-Z0-9]+)?\b

模式匹配

• \b一個詞的邊界
• [a-zA-Z0-9]+匹配任何列出的范圍的 1+ 倍
• (?:非捕獲組
  • [-'][a-zA-Z0-9]+匹配列出范圍中的單個-或'和 1+
• )? 關閉組並使其成為可選
• \b一個詞的邊界

正則表達式演示

然后，您可以將所有匹配項轉換為小寫匹配項。

import re

sample_input = """
This film is based on Isabel Allende's not-so-much-better novel. I hate Meryl
Streep and Antonio Banderas (in non-Spanish films), and the other actors,
including Winona, my favourite actress and Jeremy Irons try hard to get over
such a terrible script."""

res = [x.lower() for x in re.findall(r"\b[a-zA-Z0-9]+(?:[-'][a-zA-Z0-9]+)?\b", sample_input)]
print(res)

Output

['this', 'film', 'is', 'based', 'on', 'isabel', "allende's", 'not-so', 'much-better', 'novel', 'i', 'hate', 'meryl', 'streep', 'and', 'antonio', 'banderas', 'in', 'non-spanish', 'films', 'and', 'the', 'other', 'actors', 'including', 'winona', 'my', 'favourite', 'actress', 'and', 'jeremy', 'irons', 'try', 'hard', 'to', 'get', 'over', 'such', 'a', 'terrible', 'script']