尝试重复正则表达式会破坏正则表达式

Question

我有一个匹配以下行之一的有效正则表达式：

• 以下列表中的标点符号[.,!?;]
• 以字符串或空格开头的单词。

这是有问题的正则表达式([.,!?;] *|(?<= |\A)[\-'’:\w]+)

我需要它做的是让它匹配 3 个实例。因此，例如，理想的最终结果应该是这样的。

Sample text: "This is a test. Test"

Output
"This" "is" "a"
"is" "a" "test"
"a" "test" "."
"test" "." "Test"

我尝试简单地将 {3} 添加到末尾，希望匹配 3 次。然而，这导致它根本不匹配任何内容或偶尔出现奇怪的字符。我尝试过的另一种可能性是像([.,!?;] *|(?<= |\A)[\-'’:\w]+)([.,!?;] *|(?<= |\A)[\-'’:\w]+)([.,!?;] *|(?<= |\A)[\-'’:\w]+) 这样重复整个正则表达式 3 次，这看起来很可怕，但我希望它会起作用。这会产生奇怪的效果，但前提是至少有一个匹配项是之前列出的标点符号之一。

我们将不胜感激。

我使用new regex module found here 以便进行重叠搜索。

Answer 1

你的方法有什么问题

([.,!?;] *|(?<= |\A)[\-'’:\w]+) 模式匹配单个“单元”（指定集合 [.,!?;] 中的单词或单个标点符号后跟 0+ 个空格。因此，当您将此模式提供给 regex.findall 时，它只可以只返回块列表['This', 'is', 'a', 'test', '. ', 'Test']。

解决方案

您可以使用稍微不同的方法：匹配所有单词，以及所有不是单词的块。这是一个演示（注意C'est 和AUX-USB 被视为单个“单词”）：

>>> pat = r"((?:[^\w\s'-]+(?=\s|\b)|\b(?<!')\w+(?:['-]\w+)*))\s*((?1))\s*((?1))"
>>> results = regex.findall(pat, text, overlapped = True)
>>> results
[("C'est", 'un', 'test'), ('un', 'test', '....'), ('test', '....', 'aux-usb')]

这里，模式有 3 个捕获组，第二个和第三个包含与组 1 中相同的模式（(?1) 是一个子例程调用，用于避免重复相同的模式用于第 1 组）。第 2 组和第 3 组可以用空格分隔（不一定，否则粘在单词上的标点符号将不匹配）。另外，请注意 (?<!') 的负面回溯，这将确保 C'est 被视为单个实体。

说明

图案详情：

• ((?:[^\w\s'-]+(?=\s|\b)|\b(?<!')\w+(?:['-]\w+)*)) - 组 1 匹配：
  • (?:[^\w\s'-]+(?=\s|\b) - 除[a-zA-Z0-9_]、空格、' 和 - 之外的 1+ 个字符，紧跟空格或单词边界
  • | - 或
  • \b(?<!')\w+(?:['-]\w+)*) - 1+ 个单词字符不以 ' 开头（由于 (?<!')），以单词边界 (\b) 开头，后面跟 0+ 个 - 或 ' 序列，后面跟 1 + 单词字符。
• \s* - 0+ 个空格
• ((?1)) - 第 2 组（与第 1 组相同的模式）
• \s*((?1)) - 见上文