根据周围的标点符号过滤掉单词

Question

目标：

我正在寻找一种方法来匹配或跳过单词，具体取决于它们是否被引号 ' '、guillemets « » 或括号 ( ) 包围。

预期结果示例：

• len(re.findall("my word", "blablabla 'my word' blablabla")) 应该返回 0，因为从语言上讲 my word =/= 'my word' 因此不应该匹配；

• len(re.findall("'my word'", "blablabla 'my word' blablabla")) 应该返回 1，因为从语言上讲 'my word' = 'my word' 因此应该匹配；

• 但这里有个问题——len(re.findall("my word", "blablabla «my word» blablabla")) 和 len(re.findall("my word", "blablabla (my word) blablabla")) 都应该返回 1。

我的尝试：

我可以使用以下表达式（如果我错了，请纠正我），但我不知道如何实现它：(?<!\w)'[^ ].*?\w*?[^ ]'

我希望编写以下代码len(re.findall(r'(?<!\w)'+re.escape(myword)+r'(?!\w)', sentence))——我认为它的目的是去除标点符号——考虑到所有上述情况。

目前，我的代码在 'my word' 内部检测到 my word，这不是我想要的。

提前致谢！

Answer 1

我认为其中一种策略是使用negative look-ahead 功能：

my_word = "word"
r"(?!'" + my_word + "')[^']" + "my_word"

这应该可以完成工作check here。

由于负前瞻不消耗字符，为防止匹配，您需要使用[^'] 以确保引号' 不是my_word 前面的允许字符。 ^ 开头的字符枚举正是这个意思。

如果您想扩展应该导致单词不被视为已找到的引号列表，只需将 ' 更改为不允许的字符列表：

r"(?!['`]" + my_word + "['`])[^'`]my_word"

值得注意的是，@Prasanna 问题中的示例将无法使用正则表达式进行匹配。您需要使用适当的解析器 - 例如pyparsing - 处理这种情况，因为正则表达式无法处理需要两个任意数量的字符才能匹配的匹配（例如，任意数量的“a”后跟相同数量的“b”字母），它不会可以创建一个具有前瞻性的通用正则表达式，该表达式处理 n 个单词，然后处理 myword，同时跳过 n 个单词（如果它们前面有引号）标记）。