使用 Look behind 或 Look Ahead Functions 查找匹配项时的正则表达式模式

Question

我正在尝试根据 python 中的正常语法规则正确拆分句子。

我要拆分的句子是

s = """Mr. Smith bought cheapsite.com for 1.5 million dollars,
i.e. he paid a lot for it. Did he mind? Adam Jones Jr. thinks he didn't. In any case, this isn't true... Well, with a
probability of .9 it isn't."""

预期的输出是

Mr. Smith bought cheapsite.com for 1.5 million dollars, i.e. he paid a lot for it.

Did he mind?

Adam Jones Jr. thinks he didn't.

In any case, this isn't true...

Well, with a probability of .9 it isn't.

为了实现这一点，我正在使用常规，经过大量搜索后，我发现了以下正则表达式，它可以解决问题。new_str 只是为了从 's' 中删除一些 \n

m = re.split(r'(?<!\w\.\w.)(?<![A-Z][a-z]\.)(?<=\.|\?)\s',new_str)

for i in m:
    print (i)



Mr. Smith bought cheapsite.com for 1.5 million dollars,i.e. he paid a lot for it.
Did he mind?
Adam Jones Jr. thinks he didn't.
In any case, this isn't true...
Well, with aprobability of .9 it isn't.

所以我理解 reg ex 的方式是我们首先选择

1) 像 i.e 这样的所有字符

2) 从第一次选择的过滤空格中，我们选择那些字符 没有像 Mr. Mrs. 这样的词

3) 从过滤的第二步中，我们只选择那些我们有点或问题并且前面有空格的主题。

所以我尝试如下更改顺序

1) 先过滤掉所有标题。

2) 从过滤后的步骤中选择前面有空格的步骤

3) 删除所有短语，例如 i.e

但是当我这样做时，后面的空白也会被分割

m = re.split(r'(?<![A-Z][a-z]\.)(?<=\.|\?)\s(?<!\w\.\w.)',new_str)

for i in m:
    print (i)


Mr. Smith bought cheapsite.com for 1.5 million dollars,i.e.
he paid a lot for it.
Did he mind?
Adam Jones Jr. thinks he didn't.
In any case, this isn't true...
Well, with aprobability of .9 it isn't.

修改后的过程中的最后一步是否应该能够识别短语，例如，为什么它无法检测到它？

Answer 1

首先，(?<!\w\.\w.) 中的最后一个 . 看起来很可疑，如果您需要匹配文字点，请将其转义 ((?<!\w\.\w\.))。

回到问题上来，当您使用r'(?<![A-Z][a-z]\.)(?<=\.|\?)\s(?<!\w\.\w.)' 正则表达式时，最后一个否定的lookbehind 检查空格后的位置是否前面没有单词char、dot、word char、任何字符 （因为 . 未转义）。此条件为真，因为在该位置之前有一个点 e、另一个 . 和一个空格。

要使后向工作与 \s 之前的工作方式相同，请将 \s 也放入后向模式：

(?<![A-Z][a-z]\.)(?<=\.|\?)\s(?<!\w\.\w.\s)

见regex demo

另一个增强功能是在第二个lookbehind中使用字符类：(?<=\.|\?) -> (?<=[.?])。