正则表达式以python分割文本文件

Posted 2023-01-19

我正在尝试找到一种方法来将笔录字符串解析为说话者片段（作为列表）。演讲者标签由演讲者姓名的大写字母和冒号表示。我遇到的问题是某些名称包含许多非大写字符。示例可能包括以下内容：

奥巴马：说了些什么

O'MALLEY：说了几句话

GOV。 HICKENLOOPER：完全说了另一句话'

我编写了以下正则表达式，但是我正在努力使其正常工作：

mystring = "OBAMA: said something \nO'MALLEY: said something else \nGOV. HICKENLOOPER: said something else entirely"

parse_turns = re.split(r'\n(?=[A-Z]+(\ |\.|\'|\d)*[A-Z]*:)', mystring)

我想我写的（理想情况下我想做的是一个基于以下内容分割字符串的命令：

1。查找换行符

2。对一个或多个大写字符使用正向预读

3。如果找到大写字符，请从句点，撇号，单个空格和数字列表中查找可选字符

4。如果找到了这些可选字符，请查找其他大写字符。

5。重要的是，在此序列的末尾找到一个冒号。

EDIT：在许多情况下，语音内容中将包含换行符，可能还有冒号。这样，将讲话者标签与语音内容分开的唯一事情就是上述顺序。

答案

如果确实是说话人的名字和他们说的话之间用冒号隔开，那么离开正则表达式进行拆分可能会更简单。

list_of_things = []
mystring = "OBAMA: Hi\nO'MALLEY: True Dat\nHUCK FINN: Sure thing\n"
lines = mystring.split("\n")# 1st split the string into lines based on the \n character
for line in lines:
    colon_pos = line.find(":",0)  # Finds the position of the first colon in the line
    speaker, utterance = line[0:colon_pos].strip(), line[colon_pos+1:].strip()
    list_of_things.append((speaker, utterance))

最后，您应该有一个整齐的元组列表，其中包含发言人和他们所说的话。

另一答案

只需将（）更改为[]

import re

mystring = "OBAMA: said something \nO'MALLEY: said something else \nGOV. HICKENLOOPER: said something else entirely"

parse_turns = re.split(r'\n(?=[A-Z]+[\ |\.|\'|\d]*)', mystring)
print(parse_turns)