python - 查找所有希腊文本中带连字符的单词

Question

每次存在换行符时，我都会有一个带有连字符的希腊文本。例如:

Καλημέρα ο καιρός είναι απίστευτος σή-
μερα και θα πάμε εκδρομή. Πρέπει να ετοι-
μασουμε πράγματα για πικ-νικ.

只有在插入换行符时我才需要找到字符“-”之间的单词边界，以便将其删除并将换行符“\n”移动到去连字词的末尾。我的结果应该是这样的:

Καλημέρα ο καιρός είναι απίστευτος σήμερα
και θα πάμε εκδρομή. Πρέπει να ετοιμασουμε
πράγματα για πικ-νικ.

我在 python 中使用正则表达式，我的命令是

re.findall(r'\b.*?-\n.*?\s', data, re.UNICODE)

获取边界之间的单词，但结果是:

Καλημέρα ο καιρός είναι απίστευτος σή-
μερα

不仅仅是这个词

σή-μερα

有谁知道我做错了什么？希腊字符有问题吗？

Answer 1

你需要使用re.sub函数。,

>>> s = '''Καλημέρα ο καιρός είναι απίστευτος σή-
μερα και θα πάμε εκδρομή. Πρέπει να ετοι-
μασουμε πράγματα για πικ-νικ.'''
>>> print(re.sub(r'-\n(\S+)\s+', r'\1\n', s))
Καλημέρα ο καιρός είναι απίστευτος σήμερα
και θα πάμε εκδρομή. Πρέπει να ετοιμασουμε
πράγματα για πικ-νικ.

DEMO

\S+ 匹配一个或多个非空格字符，其中 \s+ 匹配一个或多个空格字符。 re.sub 函数将用替换部分中存在的字符替换所有匹配的字符。所以这个 r'-\n(\S+)\s+' 正则表达式匹配连字符和后面的换行符以及跟在换行符后面的单词。 () 称为捕获组，用于捕获与捕获组中存在的模式匹配的字符。这里捕获组中存在的模式是 \S+ 。因此它匹配并捕获换行符后面的单词。您可以通过指定它的组索引号来引用替换部分中捕获的字符。