正则表达式提取列表中以大写字母开头的子字符串，并使用法语特殊符号

Question

我有一套像这样的法式弦：

text = "Français Langues bantoues Presse écrite Gabon Particularité linguistique"

我想将以大写字母开头的子字符串提取到一个列表中，如下所示：

list = ["Français", "Langues bantoues", "Presse écrite", "Gabon", "Particularité linguistique"]

我确实尝试过类似的东西，但它不需要下面的单词，并且因为法语符号而停止

import re
pattern = "([A-Z][a-z]+)"

text = "Français Langues bantoues Presse écrite Gabon Particularité linguistique"

list = re.findall(pattern, text)
list

输出 ['Fran', 'Langues', 'Presse', 'Gabon', 'Particularit']

不幸的是，我没有在论坛上找到解决方案

Answer 1

因为这与特定的Unicode字符处理有关，所以我建议使用PyPi regex module（使用pip install regex安装），然后可以使用

import regex
text = "Français Langues bantoues Presse écrite Gabon Particularité linguistique"
matches = regex.split(r'(?!\A)\b(?=\p{Lu})', text)
print( list(map(lambda x: x.strip(), matches)) )
# => ['Français', 'Langues bantoues', 'Presse écrite', 'Gabon', 'Particularité linguistique']

见online Python demo和regex demo详细信息：

• (?!\A)-字符串开头以外的位置
• \b-单词边界
• (?=\p{Lu})-一个正向前瞻，要求下一个字符为Unicode大写字母

注意map(lambda x: x.strip(), matches)用于从结果块中去除多余的空白

你也可以用re来做这件事：

import re, sys
text = "Français Langues bantoues Presse écrite Gabon Particularité linguistique"
pLu = '[{}]'.format("".join([chr(i) for i in range(sys.maxunicode) if chr(i).isupper()]))
matches = re.split(fr'(?!\A)\b(?={pLu})', text)
print( list(map(lambda x: x.strip(), matches)) )
# => ['Français', 'Langues bantoues', 'Presse écrite', 'Gabon', 'Particularité linguistique']

请参见this Python demo，但请记住，支持的Unicode大写字母数量因版本而异，使用PyPi regex模块使其更加一致