Python中的正则表达式检测省略号答案

【问题标题】：Regex in Python to detect ellipsisPython中的正则表达式检测省略号
【发布时间】：2021-10-27 10:24:01
【问题描述】：

我有一个大型文本语料库，我想对其进行一些处理，然后基于它训练一个 Word2Vec 模型。也有因省略号而删除单词的情况，如：

但是看到他们为 7- 和 8 岁的孩子演奏 很美

或

该国处于pre-和独立后内战的喧嚣中，但这里的情绪通常是欢乐的

现在我想撤消这些删除（分别是inspired 和second）。这是我写的：

re.sub(r'- (and|to|or)( [^ -]+?){1,2}-(.+?)( |$|\n)', '-\\3 \\1\\2-\\3\\4', text)

但它不起作用，因为如果and/or/to 和带有- 的第二个单词之间有多个单词，则只会显示第一个单词。我想要的输出是：

但是看到他们和 7 岁的孩子 和 8 岁的孩子 一起玩很漂亮

和

该国处于独立前和独立后内战的喧嚣中，但这里的情绪通常是欢乐的

【问题讨论】：

请为您的示例添加明确的所需输出。

标签： python regex nlp text-processing

【解决方案1】：

我找到了解决办法：

re.sub(r'- (and|to|or)((?: [^ -]+?){1,2})-(.+?)( |$|\n)', '-\\3 \\1\\2-\\3\\4', text)

【讨论】：

【解决方案2】：

你可以使用

re.sub(r'\b-(\s+(?:and|to|or)(?:\s+\w+)*\s+\w+(-\w[\w-]*))', r'\2\1', text)

请参阅regex demo。详情：

\b- - 以字符开头的连字符
(\s+(?:and|to|or)(?:\s+\w+)*\s+\w+(-\w[\w-]*)) - 第 1 组：
- \s+ - 一个或多个空格
- (?:and|to|or) - and、to 或 or
- (?:\s+\w+)* - 零次或多次出现一个或多个空格，后跟一个或多个单词字符
- \s+ - 一个或多个空格
- \w+ - 一个或多个单词字符
- (-\w[\w-]*) - 第 2 组：一个连字符、一个单词字符，然后是零个或多个单词或连字符字符。

见Python demo：

import re
texts = ['But seeing them playing to seven- and eight-year-olds is beautiful', 'The country was in the uproar of pre- and then post-independence civil war but the mood here is most often joyous']
rx = r''
for text in texts:
    print( re.sub(r'- (and|to|or)((?: [^ -]+?){1,2})-(.+?)( |$|\n)', '-\\3 \\1\\2-\\3\\4', text) )

输出：

But seeing them playing to seven-year-olds and eight-year-olds is beautiful
The country was in the uproar of pre-independence and then post-independence civil war but the mood here is most often joyous

【讨论】：