Python正则表达式分割但将正则表达式匹配的结束部分放回到字符串中？

Question

我想找到一个正则表达式，它可以将段落(长字符串，无需担心换行符)分解成句子，其简单规则是 {., ?, !} 后跟一个空格，然后大写字母应该是句子的结尾(我意识到这对于现实生活来说不是一个好的规则)。

我有一些东西可以部分工作，但它并不能完全完成工作:

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.']

有两个问题。

• 为什么结果中有空成员 ('')？

• 我明白为什么 D 会从分割结果中被删除 - 它是第一次搜索的一部分。如何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原处，以便将其包含在下一个句子中？在这种情况下，如何让 D 出现在分割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，添加回大写字母，然后重新执行一遍，但这似乎不太 Pythonic。如果正则表达式不是这里的方法，是否有一些东西仍然可以避免 for 循环？

感谢您的任何建议。

Answer 1

1. 要解决第一个问题(split()返回的结果中存在空字符串)，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，因为这就是 split() 应该做的事情:使用匹配的组作为分隔符来分割输入字符串。

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.']
   

   前瞻、负前瞻、后顾和后顾是四种断言，您可以使用它们来表示“仅当后面/前面有组时才匹配该组，但不消耗字符串”。

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

   之一

   如果是这种情况，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 [\.|\?|\!] 您还可以匹配| 字符(因此 'a b c FFF|' 是有效匹配)!