简化正则表达式以替换附加到某些子字符串logi的下划线

Question

输入字符串是：

s = 'The\ue000 Project\ue000Gutenber g\ue000 E Book \ue000of\ue000 The\ue000 Ad vent ure s\ue000of\ue000 Sherlock\ue000 Holmes\n '

输出字符串为：

^{pr2}$

注意，在输入字符串中，\ue000是单词之间的硬分隔符。在

我们的目标是这样做：

• [Cell 28]：用下划线替换空格（表示两个非\ue000字符之间存在连接）

• [Cell 29]：如果存在_ \uE000序列，则删除下划线，因为前一个以下划线结尾的字符和下一个单词之间没有连接，（记住\ue000是一个硬单词分隔符）。

• [Cell 30]：然后用空格替换\ue000，这样我们就只剩下一些带有下划线的单词，这些单词要么连接到单词的结尾字符，要么挂在两个空格之间的下划线：

• [Cell 31]：对空格进行重复数据消除

• [Cell 32]：删除两个空格之间的下划线

• [Cell 33]：现在我们只剩下单词末尾的下划线了，我们可以安全地用_ _替换它们，以表示这两个子词是可组合的。

按上述顺序排列的全套替换件：

^{3}$

注意：第一个替换text.replace(u'\n ', '\n')是必需的，因为字符串可能是一个全文文件，而仅仅使用str.strip()将不足以清除\n和新行之间不必要的空格。在

是否有一种不那么复杂的方法来实现相同的输出字符串来保持逻辑，即为什么按照上述方式进行替换？在

Answer 1

我不太理解您关于换行的倒数第二段，但除此之外，一个re.sub()就足以让您获得大部分方法：

>>> import re
>>> 
>>> re.sub(r'[ \ue000]+', lambda m: ' ' if '\ue000' in m.group() else '_ _', s)
'The Project Gutenber_ _g E_ _Book of The Ad_ _vent_ _ure_ _s of Sherlock Holmes\n_ _'

这将查找\ue000和空格的所有序列，然后使用lambda替换这些序列，该lambda根据匹配是否包含\ue000，返回一个空格或'_ _'。在

之后，据我所知（正如我所说，倒数第二段有点混乱），你只需要去掉下划线和空格：

^{pr2}$