使用regex拆分项目列表

Question

首先，我有一个由项目列表组成的字符串，这些项目可以由一个枚举器（逗号/‘and’）或一个文章（‘a’/‘an’/‘the’）拼接。请注意，如果有枚举器，则可以省略冠词，反之亦然

例如，让我们看看这个输入：

a paper, leaf the clock and an angel

这必须分为：

• a paper
• leaf
• the clock
• an angel

第一个示例只有单个名称的项，因此让我们看另一个示例：

a paper with some letters, a torn leaf and clock and an angel doll

这必须分为：

• a paper with some letters
• torn leaf
• clock
• an angel doll

我已经为此尝试了一些正则表达式，最接近的是：

(?:\b(?P<article>the|an|a)\b)\s(?P<object>\b.+?\b(?=\b(?:the|an|a|$)\b))

当然，我没有考虑'，'/'和'分裂，因为我不明白，很遗憾。你知道吗

最后，如您所见，我使用组来识别/分离对象和文章。如果可以的话那就太好了。你有什么建议。。。你知道吗

Answer 1

就用re.split()

import re

a = "a paper with some letters, a torn leaf and clock and an angel doll"

### put every separator you want to remove after a |
re.split(', |and |a ',a)
# result:
['', 'paper with some letters', '', 'torn leaf ', 'clock ', '', 'angel doll']

如果需要保留分隔符，请使用括号：

[i for i in re.split('(, |and |a )',a) if i]
# result:
['a ', 'paper with some letters', ', ', 'a ', 'torn leaf ', 'and ', 'clock ', 'and ', 'an angel doll']

Answer 2

按照与re.split()匹配的正则表达式的降序，枚举所有较小的事例：

import re

s = "a paper with some letters, a torn leaf and clock and an angel doll"

re.split(r'^an |^a |^the |, and a |, and an |, and the |, and |, and an |, an |, the |, a | and an | and | an | the', s)
# ['', 'paper with some letters', 'torn leaf', 'clock', 'angel doll']

剩下的只是清理''，以此类推。你知道吗

要保留匹配的内容，请将正则表达式用括号括起来，如文档所示：

re.split(r'(^an |^a |^the |, and a |, and an |, and the |, and |, and an |, an |, the |, a | and an | and | an | the )', s)

# ['', 'a ', 'paper with some letters', ', a ', 'torn leaf', ' and ', 'clock', ' and an ', 'angel doll']

Answer 3

关于我想解决的具体任务，我有了另一个想法， 步骤如下：

• 如果后面有“and”或“or”，则添加默认项目（the）

"( and|,) (?!the|an|a)|^(?!the|an|a)" # replace with " the "

• 从输入文本中删除每个'和'或'，（现在每个对象都应该用冠词分开）

"( and|,) " # replace with " "

• 将输入内容拆分为article+除article以外的所有内容

"(?P<article>the|an|a) (?P<object>.+?(?= (?:the|an|a)\b)|[^$]*)"

PS：如果有人知道最后一个正则表达式的替代方法，请随时发布！：）