正则表达式标点符号拆分 [Python]

Posted 2023-02-23

【中文标题】正则表达式标点符号拆分 [Python]

【英文标题】：Regex punctuation split [Python]

【发布时间】：2013-11-22 13:17:26

【问题描述】：

任何人都可以帮助我使用正则表达式吗？我目前有这个：re.split(" +", line.rstrip())，用空格隔开。

我怎样才能扩展它以涵盖标点符号呢？

【参考方案1】：

官方 Python 文档有一个很好的例子。它将拆分所有非字母数字字符（空格和标点符号）。从字面上看，\W 是所有非单词字符的字符类。注意：下划线“_”被认为是一个“单词”字符，不会成为此处拆分的一部分。

re.split('\W+', 'Words, words, words.')

更多示例请参见https://docs.python.org/3/library/re.html，搜索页面“re.split”

【讨论】：

@dantdj 所以你希望它在' 和" 和* 上拆分？这个答案就是这样做的。如My name's steve 将拆分为My name 和s steve。

@dantdj: 要支持 Unicode properly，您可以使用 regex module。用法是一样的，只要保证pattern和string是Unicode：import regex; L = regex.split(ur"\W+", u"किशोरी")

【参考方案2】：

使用string.punctuation 和字符类：

>>> from string import punctuation
>>> r = re.compile(r'[\s]+'.format(re.escape(punctuation)))
>>> r.split('dss!dfs^  #$% jjj^')
['dss', 'dfs', 'jjj', '']

【讨论】：

字。这就是我要找的

【参考方案3】：

import re
st='one two,three; four-five,    six'

print re.split(r'\s+|[,;.-]\s*', st)
# ['one', 'two', 'three', 'four', 'five', 'six']

【讨论】：

如何将 [ 和 ] 合并到 [,;.-] 列表中

@O.rka 如果您有新问题，请提出新问题。但简而言之，[][,;.-]

【参考方案4】：

当您考虑使用正则表达式与任何标点符号进行拆分时，您应该记住\W 模式不匹配下划线（这也是一个标点符号字符）。

因此，您可以使用

import re
tokens = re.split(r'[\W_]+', text)

[\W_] 匹配任何 Unicode 非字母数字字符。

由于re.split可能会在匹配出现在字符串的开头或结尾时返回空项，因此最好使用正逻辑并使用

import re
tokens = re.findall(r'[^\W_]+', text)

[^\W_] 匹配任何 Unicode 字母数字字符。

见Python demo：

import re
text = "!Hello, world!"
print( re.split(r'[\W_]+', text) )
# => ['', 'Hello', 'world', '']
print( re.findall(r'[^\W_]+', text) )
# => ['Hello', 'world']