Python按模式拆分字符串答案

【问题标题】：Python split string by patternPython按模式拆分字符串
【发布时间】：2013-04-11 19:08:48
【问题描述】：

我有像"aaaaabbbbbbbbbbbbbbccccccccccc" 这样的字符串。字符数可能不同，有时字符串内可能会有破折号，例如"aaaaa-bbbbbbbbbbbbbbccccccccccc"。

有什么聪明的方法可以拆分它"aaaaa","bbbbbbbbbbbbbb","ccccccccccc" 并获取它的索引是拆分还是只获取索引，而不遍历每个字符串？如果破折号位于 to 模式之间，则它可以在左侧或右侧结束，只要它始终处理相同。

有什么想法吗？

【问题讨论】：

标签： python regex string split

【解决方案1】：

使用itertools.groupby怎么样？

>>> s = 'aaaaabbbbbbbbbbbbbbccccccccccc'
>>> from itertools import groupby
>>> [''.join(v) for k,v in groupby(s)]
['aaaaa', 'bbbbbbbbbbbbbb', 'ccccccccccc']

这会将- 作为它们自己的子字符串，很容易被过滤掉。

>>> s = 'aaaaa-bbbbbbbbbbbbbb-ccccccccccc'
>>> [''.join(v) for k,v in groupby(s) if k != '-']
['aaaaa', 'bbbbbbbbbbbbbb', 'ccccccccccc']

【讨论】：

你能想出一个获取索引的好方法吗？我能想到的最好的就是grouped = [(k, list(g)) for k,g in groupby(enumerate(s), key=lambda x: x[1])]; [(k, g[0][0], g[-1][0]) for k,g in grouped]。在 python 3 中，我猜你也可以在长度上使用accumulate。
@DSM -- 对。我错过了关于索引的部分......不确定一个干净的好方法......

【解决方案2】：

正则表达式MatchObject 结果包括匹配的索引。剩下的就是匹配重复的字符：

import re

repeat = re.compile(r'(?P<start>[a-z])(?P=start)+-?')

仅当给定字母字符 (a-z) 至少重复一次时才匹配：

>>> for match in repeat.finditer("aaaaabbbbbbbbbbbbbbccccccccccc"):
...     print match.group(), match.start(), match.end()
... 
aaaaa 0 5
bbbbbbbbbbbbbb 5 19
ccccccccccc 19 30

匹配结果中的.start() 和.end() 方法为您提供输入字符串中的确切位置。

破折号包含在匹配项中，但不包含非重复字符：

>>> for match in repeat.finditer("a-bb-cccccccc"):
...     print match.group(), match.start(), match.end()
... 
bb- 2 5
cccccccc 5 13

如果您希望 a- 部分匹配，只需将 + 替换为 * 乘数：

repeat = re.compile(r'(?P<start>[a-z])(?P=start)*-?')

【讨论】：

我怎样才能保留破折号？例如“aaaaa-”、“bbbbbbbbbbbbbb”、“ccccccccccc”。
@Fritz：对不起，我以为你不想要它们。在重新阅读时，我看到你这样做了。我将它们包含在前面的字母中。
太棒了！非常感谢。我想我真的应该更深入地研究正则表达式。

【解决方案3】：

str="aaaaabbbbbbbbbbbbbbccccccccccc"
p = [0] 
for i, c in enumerate(zip(str, str[1:])):
    if c[0] != c[1]:
        p.append(i + 1)
print p

# [0, 5, 19]

【讨论】：