将字符串从科学文章关键字拆分为关键字列表

Question

我试图用逗号作为分隔符从关键字字符串中拆分每个关键字，但是化学名称也用逗号命名，如何识别化学名称而不分隔名称？你知道吗

这里有一些例子：

keywords_string1 = "Forecasting,GM(1,1),Background value"
#expected result1 : [ "Forecasting", "GM(1,1)", "Background value" ]

keywords_string2 = "(3E)-4, 8-Dimethyl-1, 3, 7-nonatriene, ultrasonic sprayer"
#expected result2 : [ "(3E)-4, 8-Dimethyl-1, 3, 7-nonatriene", "ultrasonic sprayer" ]

Answer 1

如果我们能确定没有名字以数字结尾（据我所知，是（？），您可以在逗号（及其最终的周围空格）上拆分，这些逗号前面没有数字。你知道吗

使用正则表达式，我们可以：

import re

def split_on_commas(s):
    split_pattern = re.compile('(?<=\D) *, *')
    return split_pattern.split(s)

它给出了测试用例的预期结果：

keywords_string1 = "Forecasting,GM(1,1),Background value"
#expected result1 : [ "Forecasting", "GM(1,1)", "Background value" ]

print(split_on_commas(keywords_string1))
# ['Forecasting', 'GM(1,1)', 'Background value']


keywords_string2 = "(3E)-4, 8-Dimethyl-1, 3, 7-nonatriene, ultrasonic sprayer"
#expected result2 : [ "(3E)-4, 8-Dimethyl-1, 3, 7-nonatriene", "ultrasonic sprayer" ]

print(split_on_commas(keywords_string2))
#['(3E)-4, 8-Dimethyl-1, 3, 7-nonatriene', 'ultrasonic sprayer']

注意，我们必须对regex中的非数字使用正向lookback断言(?<=\D)，这样就不会将非数字字符作为分割模式的一部分捕获。你知道吗