将包含“de”、“da”等的名称拆分为 first、middle、last 等

Question

我想将巴西名字分成几部分。然而，下面有一些名称，其中"de"、"da"（和其他）不是单独的部分，它们总是与以下单词一起使用。所以正常的拆分是行不通的。

test1 = "Francisco da Sousa Rodrigues" #special split
test2 = "Emiliano Rodrigo Carrasco" #normal split
test3 = "Alberto de Francia" #special split
test4 = "Bruno Rezende" #normal split

我的预期输出是：

[Francisco, da Sousa, Rodrigues] #1
[Emiliano, Rodrigo, Carrasco] #2
[Alberto, de Francia] #3
[Bruno, Rezende] #4

对于特殊情况我尝试了这种模式：

PATTERN = re.compile(r"\s(?=[da, de, do, dos, das])")
re.split(PATTERN, test1) (...)

但输出不是我所期望的：

['Francisco', 'da Sousa Rodrigues'] #1
['Alberto', 'de Francia'] #3

知道如何解决吗？有没有办法在“正常”和“特殊”情况下只使用一种模式？

Answer 1

名称是否总是以“规范”方式书写，即除了 da、de、do、...之外的每个部分都大写？

在这种情况下，您可以使用该事实：

>>> import re
>>> for t in (test1, test2, test3, test4):
... print(re.findall(r"(?:[a-z]+ )?[A-Z]\w+", t, re.UNICODE))
['Francisco', 'da Sousa', 'Rodrigues']
['Emiliano', 'Rodrigo', 'Carrasco']
['Alberto', 'de Francia']
['Bruno', 'Rezende']
>>>

做你想做的事情的“正确”方法（除了根本不做之外）将是消极的后视：在没有任何 da、de、do、 ... .可悲的是，这（AFAIK）是不可能的，因为re 要求后视具有相同的宽度。如果音节中没有名字end，你真的不能假设，你可以这样做：

PATTERN = re.compile(r"(?<! da| de| do|dos|das)\s")

---

您可能偶尔会或可能不会偶然发现不起作用的情况：如果第一个字母是重音字符（或文章，假设包含重音字符），它将不正确匹配。要解决此问题，您将无法使用外部库； regex.

您的新 findall 将如下所示：

regex.findall(r"(?:\p{Ll}+ )?\p{Lu}\w+", "Luiz Ângelo de Urzêda")

\p{Ll} 指 any 小写字母，\p{Lu} 指 any 大写字母。

Answer 2

使用 python 的 regex 库中的 regex.split() 函数提供额外的功能：

安装：

pip install regex

用法：

import regex as re

test_names = ["Francisco da Sousa Rodrigues", "Emiliano Rodrigo Carrasco",
              "Alberto de Francia", "Bruno Rezende"]

for n in test_names:
    print(re.split(r'(?<!das?|de|dos?)\s+', n))

输出：

['Francisco', 'da Sousa', 'Rodrigues']
['Emiliano', 'Rodrigo', 'Carrasco']
['Alberto', 'de Francia']
['Bruno', 'Rezende']

---

• (?<!das?|de|dos?)\s+ - 向后看否定断言(?<!...) 确保空格\s+ 前面没有特殊情况之一da|das|de|do|dos

https://pypi.python.org/pypi/regex/

Answer 3

您可以在findall 中使用这个正则表达式和一个可选组：

(?:(?:da|de|do|dos|das)\s+)?\S+

在这里，我们将(?:da|de|do|dos|das) 和 1+ 空格放在此可选之后。

RegEx Demo

Code Demo

代码示例：

test1 = "Francisco da Sousa Rodrigues" #special split
test2 = "Emiliano Rodrigo Carrasco" #normal split
test3 = "Alberto de Francia" #special split
test4 = "Bruno Rezende" #normal split

PATTERN = re.compile(r'(?:(?:da|de|do|dos|das)\s+)?\S+')

>>> print re.findall(PATTERN, test1)
['Francisco', 'da Sousa', 'Rodrigues']

>>> print re.findall(PATTERN, test2)
['Emiliano', 'Rodrigo', 'Carrasco']

>>> print re.findall(PATTERN, test3)
['Alberto', 'de Francia']

>>> print re.findall(PATTERN, test4)
['Bruno', 'Rezende']

Answer 4

将da替换为da_并将de替换为de_后，可以逐步实现：

lst = ["Francisco da Sousa Rodrigues" , 
    "Emiliano Rodrigo Carrasco" , 
    "Alberto de Francia" , 
    "Bruno Rezende" ] 

# replace da with da_ and de with de_
lst = list(map(lambda x: x.replace(" da ", " da_"), lst) ) 
lst = list(map(lambda x: x.replace(" de ", " de_"), lst) ) 
# now split names and then convert back _ to space: 
lst = [ [k.replace("_", " ")
        for k in l.split()]
      for l in lst ]
print(lst)

输出：

[['Francisco', 'da Sousa', 'Rodrigues'], 
 ['Emiliano', 'Rodrigo', 'Carrasco'], 
 ['Alberto', 'de Francia'], 
 ['Bruno', 'Rezende']]

编辑：针对评论，如果存在“Fernanda Rezende”类型名称，则可以将" da " 替换为" da_"（上面的代码从之前的"da " 更改为"da_"）

也可以定义一个简单的函数来更改列表的所有字符串，然后使用它：

def strlist_replace(slist, oristr, newstr):
    return [ s.replace(oristr, newstr)
             for s in slist ]

lst = strlist_replace(lst, " da ", " da_")
lst = strlist_replace(lst, " de ", " de_")

Answer 5

发生这种情况是因为您以特殊模式拆分字符串。这确实会将字符串分成两部分。

您可以尝试进一步拆分第二部分，再次使用“”作为分隔符。请注意，如果有多个特殊分隔符实例，这将不起作用。

另一种方法是使用“”作为分隔符继续拆分，并使用以下名称连接每个特殊分隔符。例如：

[Francisco, da, Sousa, Rodrigues] # becomes...
[Francisco, da Sousa, Rodrigues]

Answer 6

你可以试试这样的吗？

b_o_g=['da', 'de', 'do', 'dos', 'das']
test1 = "Francisco da Sousa Rodrigues"
test3= "Alberto de Francia"




def _custom_split (bag_of_words,string_t):
    s_o_s = string_t.split()
    for _,__ in enumerate(s_o_s):
        if __ in bag_of_words:
            try:
                s_o_s[_]="{} {}".format(s_o_s[_],s_o_s[_+1])
                del s_o_s [ _ + 1]

            except IndexError:
                pass
    return s_o_s

print(_custom_split(b_o_g,test1))
print(_custom_split(b_o_g,test3))

输出：

['Francisco', 'da Sousa', 'Rodrigues']
['Alberto', 'de Francia']

Answer 7

也许不是最好或优雅的方式，但这会奏效。为了确定，我还添加了 test5。

special_chars = ['da', 'de', 'do', 'dos', 'das']

test1 = "Francisco da Sousa Rodrigues" #special split
test2 = "Emiliano Rodrigo Carrasco" #normal split
test3 = "Alberto de Francia" #special split
test4 = "Bruno Rezende" #normal split
test5 = 'Francisco da Sousa de Rodrigues'

def cut(test):
    t1 = test.split()
    for i in range(len(t1)):
        if t1[i] in special_chars:
            t1[i+1] = t1[i] + ' ' + t1[i+1]
    for i in t1:
        if i in special_chars:
            t1.remove(i)
    print(t1)

cut(test1)
cut(test2)
cut(test3)
cut(test4)
cut(test5)

结果是：

['Francisco', 'da Sousa', 'Rodrigues']
['Emiliano', 'Rodrigo', 'Carrasco']
['Alberto', 'de Francia']
['Bruno', 'Rezende']
['Francisco', 'da Sousa', 'de Rodrigues']

Answer 8

应该指出，我们在这里谈论的是标题，而不是名字。

这些几乎都翻译成“来自”或“来自”之类的东西，后面的部分通常指的是一个地方，它们起源于贵族的头衔。

您试图将非名称放入名称上下文中，这使一切变得困难。

尝试删除所有这些就像它不存在一样很奇怪。就像你取了一个名字，比如“来自纽约的史蒂夫”，然后试着去掉这个名字，让纽约成为“姓氏”。

这些从来都不是姓氏，也不是像大多数人认为的姓氏一样。随着时间的推移，事情有点朝着那个方向漂移，试图让圆形钉子适合方孔。

您可以在注册页面或其他内容中添加标题字段，并将其用于具有标题的人作为更优雅的解决方案。

Answer 9

你的正则表达式应该改成

PATTERN = re.compile(r"\s(?=[da, de, do, dos, das])(\S+\s*\s\s*\S+)")

import re

test1 = "Francisco da Sousa Rodrigues" #special split
test3 = "Alberto de Francia" #special split

PATTERN = re.compile(r"\s(?=[da, de, do, dos, das])(\S+\s*\s\s*\S+)")
print re.split(PATTERN, test1)
print re.split(PATTERN, test3)

这适用于我提供以下输出，

['弗朗西斯科'，'达索萨'，'罗德里格斯'] ['Alberto', 'de Francia', '']