查找希腊文本中所有带连字符的单词答案

【问题标题】：findall all hyphenated words in greek text查找希腊文本中所有带连字符的单词
【发布时间】：2015-04-08 21:49:19
【问题描述】：

每次存在换行符时，我都有一个带有连字符的希腊文本。例如：

Καλημέρα ο καιρός είναι απίστευτος σή-
μερα και θα πάμε εκδρομή. Πρέπει να ετοι-
μασουμε πράγματα για πικ-νικ.

仅当插入换行符时，我才需要找到字符“-”之间的单词边界，以便将其删除并将换行符“\n”移动到去连字符的末尾。我的结果应该是这样的：

Καλημέρα ο καιρός είναι απίστευτος σήμερα
και θα πάμε εκδρομή. Πρέπει να ετοιμασουμε
πράγματα για πικ-νικ.

我在python中使用正则表达式，我的命令是

re.findall(r'\b.*?-\n.*?\s', data, re.UNICODE)

获取边界之间的单词但结果是：

Καλημέρα ο καιρός είναι απίστευτος σή-
μερα

不仅仅是单词

σή-μερα

有谁知道我做错了什么？希腊字符有问题吗？

【问题讨论】：

标签： python regex

【解决方案1】：

你需要使用re.sub函数，

>>> s = '''Καλημέρα ο καιρός είναι απίστευτος σή-
μερα και θα πάμε εκδρομή. Πρέπει να ετοι-
μασουμε πράγματα για πικ-νικ.'''
>>> print(re.sub(r'-\n(\S+)\s+', r'\1\n', s))
Καλημέρα ο καιρός είναι απίστευτος σήμερα
και θα πάμε εκδρομή. Πρέπει να ετοιμασουμε
πράγματα για πικ-νικ.

DEMO

\S+ 匹配一个或多个非空格字符，而\s+ 匹配一个或多个空格字符。 re.sub 函数将用替换部分中存在的字符替换所有匹配的字符。所以这个r'-\n(\S+)\s+' 正则表达式匹配连字符和后面的换行符以及跟在换行符后面的单词。 () 称为捕获组，用于捕获与捕获组中存在的模式匹配的字符。这里捕获组中存在的模式是 \S+ 。因此它匹配并捕获换行符后面的单词。您可以通过指定其组索引号来引用替换部分中捕获的字符。

【讨论】：

【解决方案2】：

您可以使用此正则表达式进行搜索：

\b(\w+)-\r?\n(\w+)\b

并替换为：

\1\2\n

RegEx Demo

代码：

import re
p = re.compile(ur'\b(\w+)-\r?\n(\w+)\b', re.UNICODE)

result = re.sub(p, u"\1\2\n", input)

【讨论】：

非常感谢阿努巴瓦！有用！但是你能解释一下 \1\2\n 是什么意思吗？
是的，当然。 \1 是对第一个匹配组的反向引用（连字符之前的单词），\2 是对第二个匹配组的反向引用（连字符和换行符之后的单词）。
很抱歉我看到演示的问题，我理解替换！非常感谢@anubhava！
没有问题，只要答案令您满意并且有清晰的理解就可以了 :)