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 · 16 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 7 年前

Eevee 16 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 16 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 12 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 16 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 3 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

lonix · 使用sed从JSON中提取非贪婪正则表达式

1 年前

me-me · regex检查电子邮件字符串是否有@后跟一个点以及点符号后至少2个字符[重复]

1 年前

Dave Guerrero · 是否有一个正则表达式模式来捕获字符串中直到第一个字母字符的数字?

1 年前

Dima Malko · 如何在指定符号前添加符号?

2 年前

shekharsabale · 从列表元素捕获子字符串

2 年前

maycca · 正则表达式:过滤年份数值大于某个值的文件?字符串中编码的年份

2 年前

Katia · 根据特定规则进行多行匹配

2 年前

Andrei Cleland · 在长正则表达式中包含unicode字符

2 年前

MHA · Pandas str.extract()以字母结尾的数字

2 年前

Slava Vir · 如何查找后面“/”之间的最后一组

2 年前