正则表达式捕获标点符号和收缩
我是新来的正则表达式,我正在尝试编写一个函数来将字符串分解为它的收缩和标点符号。正则表达式捕获标点符号和收缩
例如:I'm feeling sad today.
应该返回一个列表:["I","'m","feeling","sad","today","."]
。
到目前为止,我只能过滤与([a-zA-Z])\w*
的字母,我不知道如何过滤这包括标点符号。
import re
st = "I'm feeling sad today."
li = re.findall(r'\w+|[;.,!?:]|\'\w+',st)
['I', "'m", 'feeling', 'sad', 'today', '.']
有没有办法用findall来做? – NeptuneGamer
@NeptuneGamer,是的,我已经更新了re.findall。 – LetzerWille
这是几乎那里,但是'与连接m – NeptuneGamer
你需要搜索的字符它们要么只字字符的运行,或者两者都不是字字符也不空白:
>>> s = "I'm feeling sad today."
>>> rgx = re.compile(r'(\w+|[^\w\s]+)')
>>> rgx.findall(s)
['I', "'", 'm', 'feeling', 'sad', 'today', '.']
编辑:
为了捕捉收缩,正则表达式需要更复杂。它必须使用后退断言来检查撇号是否由一个单词字符(否则它将错误地匹配引用的单词)前缀。这里有一个基本的解决方案:
>>> s = "I'm feeling 'sad' today."
>>> rgx = re.compile(r"((?<=\w)'\w+|\w+|[^\w\s]+)")
>>> rgx.findall(s)
['I', "'m", 'feeling', "'", 'sad', "'", 'today', '.']
虽然有一些边缘情况,这不能处理。例如,有一些音译的外来词(例如Qur'an
)包含嵌入的撇号。当然,还有像O'Connor
这样的名字和O'Connor's
之类的所有格,以及His 'n' Hers
这样的非标准收缩。
我意识到它可能不明确的问题,但撇号加入到字母('米),这是证明难以产生 – NeptuneGamer
@NeptuneGamer。我已经用一个改进的解决方案更新了我的答案,这个解决方案很有希望。 – ekhumoro
那么'感觉'呢? – Kasramvd
我编辑了 – NeptuneGamer