找出一个句子中有多少个单词满足特定条件

Question

有一个招聘任务，我想用正则表达式来解决。

一个句子是由一组单词组成的。每个单词由字母[a-zA-Z] 组成，其中可能包含一个或多个破折号，并且可能以句点 (.)、逗号 (,)、问号 (?) 或感叹号 (!) 等标点符号结尾。每个单词不能以任何非字母或数字开头。也接受由空格字符分隔的单个字母。

破折号将两个或多个单词合二为一并且应该被接受（但双破折号“--”和更多不被接受），而单词末尾的其他有效标点符号应该被删除。

有效词（例子）：

• "foo-foo?!.,": result = "foo-foo",
• "f-foo-foo?!.,": 结果 = "f-foo-foo",

无效词（示例）：

• "!@foo-foo{{}}}(("
• “foo--foo”
• “f-foo@-@foo”
• “f123-foo123-foo-”
• “-f-foo-foo-”

我尝试只用正则表达式解决python中的问题：

import re

TESTSTR1 = 'there should be 9 valid  words, including: a well-behave, right?'
TESTSTR2 = 'blabla! bla121 {{blabla123bla.. bla-blablabla!! b;a-bla@!. blabla bla-bla-bla-bla **bla-bla'
TESTSTR3 = '{{)foo! ~~foo121 foo--foo?. foo-foo?!{. @foo-foo! f 23 foo2 f-ff-fff-ffff!.,?  **foo-f'

TESTSTR1_EXPECTED = ['there', 'should', 'be', 'valid', 'words', 'including', 'a', 'well-behave','right']
TESTSTR2_EXPECTED = ['blabla', 'bla-blablabla', 'blabla', 'bla-bla-bla-bla', 'bla-bla']
TESTSTR3_EXPECTED = ['f', 'f-ff-fff-ffff','foo-f']


def find_words(sentence: str) -> list:
    pattern_dash = r'\b([^\d\s]+(?:-\w+[a-zA-Z]*))\b'
    pattern = r'\b(?!\w+-\w+)(?!-\w+)[a-zA-Z]+\b'

    words = re.findall(pattern_dash, sentence)
    words += re.findall(pattern, sentence)

    return words


if __name__ == "__main__":
    print('====================== TEST1 ======================')
    print(f'Expected "TESTSTR1" = {TESTSTR1_EXPECTED}')
    print(f'Result "TESTSTR1"   = {find_words(TESTSTR1)}')
        
    print('====================== TEST2 ======================')
    print(f'Expected "TESTSTR2" = {TESTSTR2_EXPECTED}')
    print(f'Result "TESTSTR2"   = {find_words(TESTSTR2)}')

    print('====================== TEST3 ======================')
    print(f'Expected "TESTSTR3" = {TESTSTR3_EXPECTED}')
    print(f'Result "TESTSTR3"   = {find_words(TESTSTR3)}')

首先我想找到所有包含破折号（“pattern_dash”）的有效词，然后是所有其他有效词（不包括那些已经找到的）。

我尝试了许多不同的正则表达式组合，但都没有成功。我不确定该任务是否可以仅使用正则表达式来解决。

有谁知道是否可以仅使用正则表达式来解决它？你知道怎么做吗？

非常感谢

Answer 1

要获取示例数据中的匹配项，您可以使用捕获组。

首先匹配空格或*，然后捕获仅包含A-Za-z 的单词，可选地以- 分隔，并断言单词以空格、字符串结尾或结尾1 个或多个标点字符，后跟右侧空白边界。

(?:[ *]|^)([a-zA-Z]+(?:-[a-zA-Z]+)*)(?= |$|[.,!?:]+(?!\S))

模式匹配的部分：

• (?:[ *]|^) 非捕获组，匹配 或 * 或断言字符串的开头
• ( 捕获第 1 组
  • [a-zA-Z]+ 匹配 1+ 次出现的 A-Za-z
  • (?:-[a-zA-Z]+)* 可以选择在前面加上 - 重复相同的内容
• )关闭第一组
• (?= 正向前瞻，断言直接向右是
  • 匹配一个空格
  • |或者
  • $断言字符串结束
  • |或者
  • [.,!?:]+(?!\S) 从字符类 [.,!?:] 中匹配 1 个或多个匹配项，并在右侧声明一个空白边界
• ) 关闭前瞻

查看regex demo 和Python demo

例如

import re

strings = [
     "there should be 9 valid  words, including: a well-behave, right?",
     "blabla! bla121 {{blabla123bla.. bla-blablabla!! b;a-bla@!. blabla bla-bla-bla-bla **bla-bla",
     "{{)foo! ~~foo121 foo--foo?. foo-foo?!{. @foo-foo! f 23 foo2 f-ff-fff-ffff!.,?  **foo-f"
]

pattern = r"(?:[ *]|^)([a-zA-Z]+(?:-[a-zA-Z]+)*)(?= |$|[.,!?:]+(?!\S))"
for s in strings:
     print(re.findall(pattern, s, re.M))

输出

['there', 'should', 'be', 'valid', 'words', 'including', 'a', 'well-behave', 'right']
['blabla', 'bla-blablabla', 'blabla', 'bla-bla-bla-bla', 'bla-bla']
['f', 'f-ff-fff-ffff', 'foo-f']