python - 在 python 中使用正则表达式 re.split 拆分堆叠实体

Question

我无法将连续的字符串拆分成更合理的部分:

例如'MarieMüller' 应该变成 'Marie Müller'

到目前为止，我已经使用了这个，如果没有出现特殊字符，它就可以工作:

' '.join([a for a in re.split(ur'([A-Z][a-z]+)', ''.join(entity)) if a])

这个输出例如'TinaTurner' -> 'Tina Turner'，但不起作用 对于 'MarieMüller'，输出:'MarieMüller' -> 'Marie M\utf8 ller'

现在我使用正则表达式\p{L} 来了:

 ' '.join([a for a in re.split(ur'([\p{Lu}][\p{Ll}]+)', ''.join(entity)) if a])

但这会产生奇怪的东西，比如: 'JenniferLawrence' -> 'Jennifer Lawrence'

谁能帮帮我？

Answer 1

如果您使用 Unicode 并需要使用 Unicode 类别，您应该考虑使用 PyPi regex module .在那里，您可以支持所有 Unicode 类别:

>>> import regex
>>> p = regex.compile(ur'(?<=\p{Ll})(?=\p{Lu})')
>>> test_str = u"Tina Turner\nMarieM\u00FCller\nJacek\u0104cki"
>>> result = p.sub(u" ", test_str)
>>> result
u'Tina Turner\nMarie M\xfcller\nJacek \u0104cki'
      ^             ^                ^

在这里，(?<=\p{Ll})(?=\p{Lu})正则表达式查找小写字母 ( \p{Ll} ) 和大写字母 ( \p{Lu} ) 之间的所有位置，然后是 regex.sub在那里插入一个空格。请注意，正则表达式模块会自动使用 regex.UNICODE 编译正则表达式。标记模式是否为 Unicode 字符串(u - 前缀)。