用双引号替换单引号并排除某些元素答案

【问题标题】：Replace single quotes with double with exclusion of some elements用双引号替换单引号并排除某些元素
【发布时间】：2015-11-08 23:11:48
【问题描述】：

我想用双引号替换字符串中的所有单引号，但“n't”、“'ll”、“'m”等出现的情况除外。

input="the stackoverflow don\'t said, \'hey what\'"
output="the stackoverflow don\'t said, \"hey what\""

代码1：(@https://stackoverflow.com/users/918959/antti-haapala)

def convert_regex(text): 
     return re.sub(r"(?<!\w)'(?!\w)|(?<!\w)'(?=\w)|(?<=\w)'(?!\w)", '"', text)

有 3 种情况： ' 前面没有，后面也没有字母数字字符； or 前面没有，但后面跟一个字母数字字符； or 前面是字母数字字符，后面不跟一个字母数字字符。

问题：这不适用于以撇号结尾的单词，即最所有格复数，它也不适用于非正式的以撇号开头的缩写。

代码2：(@https://stackoverflow.com/users/953482/kevin)

def convert_text_func(s):
    c = "_" #placeholder character. Must NOT appear in the string.
    assert c not in s
    protected = {word: word.replace("'", c) for word in ["don't", "it'll", "I'm"]}
    for k,v in protected.iteritems():
        s = s.replace(k,v)
    s = s.replace("'", '"')
    for k,v in protected.iteritems():
        s = s.replace(v,k)
    return s

要指定的词集太大，如如何指定人等。请帮忙。

编辑 1： 我正在使用@anubhava 的绝妙答案。我正面临这个问题。有时，该方法会出现语言翻译失败。代码=

text=re.sub(r"(?<!s)'(?!(?:t|ll|e?m|s|d|ve|re|clock)\b)", '"', text)

问题：

在文本中，'Kumbh melas' melas 是印地语到英语的翻译，而不是复数所有格名词。

Input="Similar to the 'Kumbh melas', celebrated by the banks of the holy rivers of India,"
Output=Similar to the "Kumbh melas', celebrated by the banks of the holy rivers of India,
Expected Output=Similar to the "Kumbh melas", celebrated by the banks of the holy rivers of India,

我正在寻找可能以某种方式修复它的条件。人工干预是最后的选择。

编辑 2： 天真而漫长的修复方法：

def replace_translations(text):
    d = enchant.Dict("en_US")
    words=tokenize_words(text)
    punctuations=[x for x in string.punctuation]
    for i,word in enumerate(words):
        print i,word
        if(i!=len(words) and word not in punctuations and d.check(word)==False and words[i+1]=="'"):
            text=text.replace(words[i]+words[i+1],words[i]+"\"")
    return text

是否有我遗漏的极端案例或有更好的方法？

【问题讨论】：

寻找角色的机制与语言无关。因此，您可能会误以为可以使用正则表达式来做到这一点。
@sln 我放了一个non-regex answer 但每个人都在嘲笑我:)

标签： python regex replace nlp

【解决方案1】：

第一次尝试

你也可以使用这个正则表达式：

(?:(?<!\w)'((?:.|\n)+?'?)'(?!\w))

DEMO IN REGEX101

这个正则表达式匹配整个句子/单词与两个引号，从开头和结尾，但也将引用的内容包含在第 nr 1 组内，因此您可以将匹配的部分替换为"\1"。

(?<!\w) - 对非单词字符进行否定查找，以排除诸如“you'll”之类的单词，但允许正则表达式匹配\n、:、;、@ 等字符之后的 quatations 987654330@或-等假设在引用之前总是有一个空格是有风险的。
' - 单引号，
(?:.|\n)+?'?) - 非捕获组：一个或多个任意字符或带有惰性 quantifire 的新行（匹配多行句子）（避免从第一个到最后一个单引号匹配），然后是可选的单引号 sing，如果连续有两个
'(?!\w) - 单引号，后跟非单词字符，排除像“i'm”、“you're”等文字，其中引号是 beetwen 词，

s'案例

但是，在以 s 结尾的单词之后出现带有撇号的句子匹配仍然存在问题，例如：'the classes' hours'。我认为当s 后跟' 应该被视为引号的结尾，或者带有撇号的s 时，用正则表达式来区分是不可能的。但我想出了一种解决这个问题的有限方法，使用正则表达式：

(?:(?<!\w)'((?:.|\n)+?'?)(?:(?<!s)'(?!\w)|(?<=s)'(?!([^']|\w'\w)+'(?!\w))))

DEMO IN REGEX101

PYTHON IMPLEMENTATION

对于s':(?<!s)'(?!\w)|(?<=s)'(?!([^']|\w'\w)+'(?!\w) 的情况，有额外的替代方案，其中：

(?<!s)'(?!\w) - 如果' 之前没有s，则匹配上面的正则表达式（第一次尝试），
(?<=s)'(?!([^']|\w'\w)+'(?!\w) - 如果在' 之前有s，则仅当没有其他' 后跟非单词时才结束此' 的匹配以下文本中的字符，结束之前或另一个 ' 之前（但只有 ' 前面有 s 以外的字母，或下一个报价的开头）。 \w'\w 是在这样的匹配中包含一个'，它位于字母之间，例如i'm 等。

这个正则表达式应该匹配错误，只有在连续有几个 s' 情况下。不过，它远非完美的解决方案。

\w的缺陷

另外，使用\w 总是有可能' 会出现在sybol 或非[a-zA-Z_0-9] 之后，但仍然是字母字符，如某些本地语言字符，然后它将被视为一个四分法的开头。可以通过将(?<!\w) 和(?!\w) 替换为(?<!\p{L}) 和(?!\p{L}) 或(?<=^|[,.?!)\s]) 之类的东西来避免这种情况，这样可以避免出现在句子中的字符的正向环视。但是，列表可能会很长。

【讨论】：

绝对是我想要的方式。请考虑将[^']+ 替换为(?:[^']+|'\w)+，以使其匹配“'The Joneses' car won't start'”，假设此处添加的回溯步骤不是问题。
@Mariano 感谢您的精彩提示！但是我决定把\w'\w而不是'\w，在匹配中包含'，当它在字母之间时，但避免匹配'后跟字母，这应该是下一个引号的开头。这是一个真正的回溯怪物，但问题相当复杂。再次感谢您！

【解决方案2】：

你可以使用：

input="I'm one of the persons' stackoverflow don't th'em said, 'hey what' I'll handle it."
print re.sub(r"(?<!s)'(?!(?:t|ll|e?m)\b)", '"', input)

输出：

I'm one of the persons' stackoverflow don't th'em said, "hey what" I'll handle it.

RegEx Demo

【讨论】：

@anubhava谢谢！字符串所有格复数名词如person'等呢？
这里能解释一下\b的用法吗？
太棒了！谢谢。我很少使用环顾四周。添加(?<!s) 这个re.sub(r"'(?!((?:t|ll|m|em)|(?<!s))\b)", '"', input) 正确吗？（为'em 添加了em）
我尝试添加(?<!s)，但我做错了什么。您可以编辑答案以包含它吗？
非常感谢！有人怀疑您使用 e?m 而不是 em 的任何原因。

【解决方案3】：

试试这个：你可以使用这个正则表达式((?<=\s)'([^']+)'(?=\s))并替换为"\2"

import re
p = re.compile(ur'((?<=\s)\'([^\']+)\'(?=\s))')
test_str = u"I'm one of the persons' stackoverflow don't th'em said, 'hey what' I'll handle it."
subst = u"\"\2\""

result = re.sub(p, subst, test_str)

输出

I'm one of the persons' stackoverflow don't th'em said, "hey what" I'll handle it.

Demo

【讨论】：

【解决方案4】：

这是一种非正则表达式的方法

text="the stackoverflow don't said, 'hey what'"

out = []
for i, j in enumerate(text):
    if j == '\'':
        if text[i-1:i+2] == "n't" or text[i:i+3] == "'ll" or text[i:i+3] == "'m":
            out.append(j)
        else:
            out.append('"')
    else:
        out.append(j)

print ''.join(out)

作为输出给出

the stackoverflow don't said, "hey what"

当然，您可以改进排除列表，不必使用手动检查每个排除...

【讨论】：

问题的第二个标签名为regex :))
我知道这可能是一个有效的解决方案，只是因为讽刺而有趣。
是的。我有一个不用正则表达式来解决问题的爱好:)
有趣，我有一个用正则表达式解决问题的爱好：D

【解决方案5】：

这是另一种可能的方法：

import re

text = "I'm one of the persons' stackoverflow don't th'em said, 'hey what' I'll handle it."

print re.sub("((?<!s)'(?!\w+)|(\s+'))", '"', text)

我试图避免对特殊情况的需要，它给出了：

I'm one of the persons' stackoverflow don't th'em said,"hey what" I'll handle it.

【讨论】：