代码之家 › 专栏 › 技术社区 › nosklo

分割段落的python正则表达式

split text parsing regex python

nosklo · 技术社区 · 17 年前

如何编写一个正则表达式以在python中用于分割段落?

段落由两个换行符(\n)定义。但是可以有任意数量的空格/制表符和换行符,它仍然应该被视为一个段落。

regular expression syntax (?P...)

示例:

the_str = 'paragraph1\n\nparagraph2'
# splitting should yield ['paragraph1', 'paragraph2']

the_str = 'p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp3'
# should yield ['p1', 'p2\t\n\tstill p2', 'p3']

the_str = 'p1\n\n\n\tp2'
# should yield ['p1', '\n\tp2']

我最好的选择是: r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*'

import re
paragraphs = re.split(r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*', the_str)

但这很难看。还有更好的吗?

编辑

拒绝的建议:

r'\s*?\n\s*?\n\s*?' -&燃气轮机;这将使示例2和3失败,因为 \s 包括 \n \n s

4 回复 | 直到 9 年前

Eevee 17 年前

不幸的是,没有写“空格但不是换行”的好方法。

我认为你能做的最好的事情就是用 x 修改并尝试将丑陋因素稍微排除,但这是值得怀疑的: (?x) (?: [ \t\r\f\v]*? \n ){2} [ \t\r\f\v]*?

您还可以尝试仅为角色类创建一个子规则并对其插值三次。

S.Lott 17 年前

您是否试图在普通测试中推断文档的结构?你在做什么 docutils

您可以简单地使用 Docutils parser 而不是自己滚。

Bite code 14 年前

不是regexp,但非常优雅:

from itertools import groupby

def paragraph(lines) :
    for group_separator, line_iteration in groupby(lines.splitlines(True), key = str.isspace) :
        if not group_separator :
            yield ''.join(line_iteration)

for p in paragraph('p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp'): 
    print repr(p)

'p1\n'
'p2\t\n\tstill p2\t   \n'
'\tp3'

当然,您可以根据需要剥离输出。

Joseph Bui 17 年前

几乎相同,但使用非贪婪量词并利用空格序列。

\s*?\n\s*?\n\s*?

traal 5 年前

仅供参考:我刚刚在另一个线程中为这类问题编写了两个解决方案。首先使用此处要求的正则表达式,然后使用一种状态机方法,该方法一次通过一行输入:

https://stackoverflow.com/a/64863601/5201675

推荐文章

DotFX · RegEx捕获关键字前但括号后的所有内容

1 年前

user66001 · 正则表达式用于匹配有引号和无引号的文本,并且不匹配任何部分

1 年前

perlchamp · 为什么这也匹配?

1 年前

con · Negative Lookaward在perl正则表达式中不起作用

1 年前

Andrus · 如何在sql中查找第二个匹配项

1 年前

iato · 确保正则表达式不从命名材料中的数字中提取

1 年前

vr8ce · 非成对标记中特定字符的正则表达式

1 年前

MARTIN · 交换第一个和最后一个单词,反转所有中间的字符

1 年前

Carsten · 使用最近的搜索模式更改文本块

1 年前

Eric Marceau · Grep:有没有一种特殊的方法可以将“无字符”作为“字符位置”匹配的置换?

1 年前