Python正则表达式意外替换中文字符

Question

我有一份中文字典词条列表（基于cc-cedict），包含以下格式的中文和拉丁字符，用换行符分隔：

(source.txt)

traditional_chars simplified_chars, pinyin, definition

山牆 山墙,shan1 qiang2,gable

B型超聲 B型超声, B xing2 chao1 sheng1,type-B ultrasound

我想在繁体字和简体字之间加一个逗号：

(Desired result)

山牆,山墙,shan1 qiang2,gable

B型超聲,B型超声, B xing2 chao1 sheng1,type-B ultrasound

在regex101中进行了一些实验后，我想出了这样一个模式：

[A-z]*[\u4300-\u9fff]+(\s)[A-z]*[\u4300-\u9fff]+,

我尝试用以下代码在Python中应用此模式：

import re
sourcepath = 'sourcefile.txt'
destpath = 'result.txt'
pattern = '[A-z]*[\u4300-\u9fff]+(\s)[A-z]*[\u4300-\u9fff]+,'

source = open(sourcepath, 'r').read()
dest = open(destpath, 'w')
result = re.sub(pattern, ',', source)
dest.write(result)
dest.close()

但当我打开结果.txt，我得到的结果不是我预期的：

,shan1 qiang2,gable

, B xing2 chao1 sheng1,type-B ultrasound

我还尝试使用以下模式的regexp模块：

[A-z]*\p{Han}(\s)[A-z]*\p{Han}

但结果是一样的。在

我认为通过将\s字符放在括号中，它将构成一个捕获组，并且只替换该空格。但看起来汉字也在被取代。我是不是在正则表达式、代码或两者都出错了？我应该如何改变它以获得期望的结果？在

Answer 1

如果你有奇数个中文“单词”，你的模式应该考虑重叠匹配。使用lookaheads：

re.sub(r'(?i)[A-Z]*[\u4300-\u9fff]+(?=\s+[A-Z]*[\u4300-\u9fff]+)', r'\g<0>,', source)
                                   ^^^                         ^

或者使用一个原子组模拟，在一个正的前瞻中结合消费模式中的反向引用进行捕获，并进行前瞻性检查，看是否已经有逗号：

^{pr2}$

请参阅regex demo（和demo 2）-不要注意\x{}符号，因为我使用的是PHP选项，所以它只用于演示）。在

参见IDEONE Python 3 demo：

import re
p = re.compile(r'[A-Z]*(?=([\u4300-\u9fff]+))\1(?!,)', re.IGNORECASE | re.U)
test_str = "山牆 山墙,shan1 qiang2,gable\nB型超聲 B型超声, B xing2 chao1 sheng1,type-B ultrasound"
result = p.sub(r"\g<0>,", test_str)
print(result)
# => 山牆, 山墙,shan1 qiang2,gable
# => B型超聲, B型超声, B xing2 chao1 sheng1,type-B ultrasound