Python正则表达式拆分但将正则表达式匹配的结尾部分放回字符串中？

Question

我想找到一个可以将段落(长字符串，无需担心换行符)分解成句子的正则表达式，其规则很简单，即 {., ?, !} 后跟空格，然后大写字母应该是句子的结尾(我意识到这不是现实生活中的好规则)。

我有一些东西可以部分工作，但还不能完全完成工作:

line = 'a b c FFF! D a b a a FFF. gegtat FFF. A'
matchObj = re.split(r'(.*?\sFFF[\.|\?|\!])\s[A-Z]', line)
print (matchObj)

打印

['', 'a b c FFF!', '', ' a b a a FFF. gegtat FFF.', '']

而我想得到:

['a b c FFF!', 'D a b a a FFF. gegtat FFF.']

那么两个问题。

• 为什么结果中有空成员('')？

• 我理解为什么 D 从分割结果中被删除 - 它是第一次搜索的一部分。我怎样才能以不同的方式构建我的搜索，以便将标点符号后面的大写字母放回去，以便它可以包含在下一个句子中？这种情况下，如何让D出现在拆分结果的第二个元素中？

我知道我可以通过某种 for 循环来完成此操作，只需剥离第一个结果，加回大写字母，然后重新做一遍，但这似乎不太 Pythonic。如果正则表达式不是去这里的方式，是否还有一些东西可以避免 for 循环？

感谢您的任何建议。

Answer 1

1. 要解决第一个问题(split() 返回的结果中有空字符串)，使用 findall()或 finditer() :

   >>> re.findall(r'(.*?\sFFF[\.|\?|\!])\s[A-Z]', line)
   ['a b c FFF!', ' a b a a FFF. gegtat FFF.']
   

   您在输出中看到空字符串，因为这正是 split() 应该做的:使用匹配的组作为分隔符拆分输入字符串。

2. 对于第二个问题(输出中缺少 D)，使用 lookahead assertion (?=...):

   >>> re.findall(r'(.*?\sFFF[\.|\?|\!])\s(?=[A-Z])', line)
   ['a b c FFF!', 'D a b a a FFF. gegtat FFF.']
   

   先行、负先行、后行和负后行是四种断言，您可以使用它们来表示“仅当后跟/前有组时才匹配该组，但不使用字符串”。

   <

3. 仔细阅读您的表达式，您似乎误解了 [...] 运算符的语法。似乎您想匹配 .、? 和 ! 之一。

   如果是这样，那么您可以将[\.|\?|\!]重写为[.?!] :

   >>> re.findall(r'(.*?\sFFF[.?!])\s(?=[A-Z])', line)
   ['a b c FFF!', 'D a b a a FFF. gegtat FFF.']
   

   [.?!] 不仅更紧凑，而且更正确:使用 [\.|\?|\!] 您还匹配了| 字符(因此 'a b c FFF|' 是有效匹配项)!