通过一组字符串将一个字符串拆分为一个列表

Question

我正在处理用乌兹别克语书写的文字。该语言有以下字母：

alphabet = ["a", "b", "c", "d", "e", "f", "g", "g'", "h", "i", 
    "j", "k", "l", "m", "n", "ng", "o", "o'", "p", "q", "r", 
    "s", "sh", "t", "u", "v", "x", "y", "z"]

如您所见，有些字母包含多个字符，例如o'、g' 和sh。如何将这种语言的单词拆分为乌兹别克语字母列表？因此，例如，将单词"o'zbek" 拆分为["o'", "z", "b", "e", "k"]。

如果我执行以下操作：

word = "o'zbek"
letters = list(word)

结果：

['o', "'", 'z', 'b', 'e', 'k']

这是不正确的，因为 o 和 ' 不在一起。

我也尝试过像这样使用 regex：

import re
expression = "|".join(alphabet)
re.split(expression, word)

但结果是：

['', "'", '', '', '', '']

Answer 1

为了优先考虑多于一个字符的字母，首先我们按照字符长度对字母表进行排序。然后像使用"|".join 一样将其传递给正则表达式，re.findall 给出拆分列表：

import re

sorted_alphabet = sorted(alphabet, key=len, reverse=True)
regex = re.compile("|".join(sorted_alphabet))

def split_word(word):
    return re.findall(regex, word)

使用：

>>> split_word("o'zbek")
["o'", 'z', 'b', 'e', 'k']

>>> split_word("asha")
['a', 'sh', 'a']

Answer 2

类似这样的工作。

double = {"o'", "ng", "g'", "sh"}

string = "o'zbek"
letters = []
while string:
    if string[:2] in double:
        letters.append(string[:2])
        string = string[2:]
    else:
        letters.append(string[0])
        string = string[1:]

如果没有三个字母或更长的字母，你可以在一个集合中列出所有的双字母（在集合中查找元素比在列表中查找更快）。

比你遍历字符串，并尝试找到字符串开头的双字母。如果存在，则将其存储在字母列表中。

import re
letters = re.findall("(o'|g'|ng|sh|[a-z])", string)

也可以。

Answer 3

如果您正在寻找专门的正则表达式，您可以尝试使用re.findall 与这样的模式：

[a-fh-mp-rt-z]|[go]'?|ng?|sh?

• [a-fh-mp-rt-z] - 包含所有普通字母的字符类。
• |：或者：
• [go]'? - "g" 或 "o" 后跟可选引号。
• | - 或者：
• ng? - 文字“n”后跟可选的“g”。
• | - 或者：
• sh? - 文字“s”后跟可选的“h”。

在线查看demo

import re
word = "o'zbek"
letters = re.findall("[a-fh-mp-rt-z]|[go]'?|ng?|sh?", word)
print(letters)

打印：

["o'", 'z', 'b', 'e', 'k']

---

请注意，您也可以优先考虑那些“双重”字母，例如：[go]'|ng|sh|[a-z]，有点像 @MustafaAydin 在他的 answer 中解释的那样。