python - 根据标点符号或驼峰式大小写分割句子

Question

我在 python 中有一个很长的字符串，我试图将它分成一个句子列表。这些句子中只有一些缺少标点符号和句子之间的空格。

示例

I have 9 sheep in my garageVideo games are super cool.

我无法找出将两者分开的正则表达式!这让我发疯。

还有正确标点的句子，所以我想我应该制作几种不同的正则表达式模式，每种模式都划分出不同风格的组合。

输入

I have 9 sheep in my garageVideo games are super cool. Some peanuts can sing, though they taste a whole lot better than they sound!

输出

['I have 9 sheep in my garage', 'Video games are super cool.' 'Some peanuts can sing, though they taste a whole lot better than they sound!']

谢谢!

Answer 1

头寸分割:使用regex模块

我将为您提供“拆分”和“全部匹配”选项。让我们从“拆分”开始。

在许多引擎中，但在 Python 中除外 re模块中，您可以在零宽度匹配定义的位置处进行分割。

在Python中，要分割一个位置，我会使用Matthew Barnett的杰出的 regex module ，其功能远远超过了 Python 默认的 re引擎。这是我在 Python 中的默认正则表达式引擎。

根据您的输入，您可以使用此正则表达式:

(?V1)(?<=[a-z])(?=[A-Z])|(?<=[.!?]) +(?=[A-Z])

请注意，如果您有格式奇怪的首字母缩略词，例如 B. B. C. ，我们需要对此进行调整。

Python 代码示例:

string = "I have 9 sheep in my garageVideo games are super cool. Some peanuts can sing, though they taste a whole lot better than they sound!"
result = regex.split("(?V1)(?<=[a-z])(?=[A-Z])|(?<=[.!?]) +(?=[A-Z])", string)
print(result)

输出:

['I have 9 sheep in my garage', 
'Video games are super cool.', 
'Some peanuts can sing, though they taste a whole lot better than they sound!']

说明

• (?V1)指示引擎使用新行为，我们可以在零宽度匹配上进行分割。
• (?<=[a-z])(?=[A-Z])匹配后向 (?<=[a-z]) 的位置可以断言前面是一个小写字母和前瞻 (?=[A-Z])可以断言后面是一个大写字母。
• |或者...
• (?<=[.!?]) +(?=[A-Z])匹配一个或多个空格 +回溯在哪里 (?<=[.!?])可以断言前面是一个点、一声、问号和一个空格，而前瞻 (?=[A-Z]) 的位置可以断言后面的内容是大写字母。

<小时/>

选项 2:使用 findall (再次使用 regex 模块)

由于“拆分”和“全部匹配”操作是同一枚硬币的两面，因此您可以这样做:

print(regex.findall(r".+?(?:(?<=[.!?])|(?<=[a-z])(?=[A-Z]))",string))

同样，这不适用于 re (这将跳过第二句开始的 V Video )。