【问题标题】：python regular expression to split paragraphspython正则表达式分割段落
【发布时间】：2010-09-12 02:28:47
【问题描述】：

如何编写一个正则表达式在 python 中使用来分割段落？

段落由 2 个换行符 (\n) 定义。但是可以有任意数量的空格/制表符以及换行符，它仍然应该被视为一个段落。

我正在使用 python，所以解决方案可以使用 python 的 regular expression syntax 扩展。（可以使用(?P...)的东西）

示例：

the_str = 'paragraph1\n\nparagraph2'
# splitting should yield ['paragraph1', 'paragraph2']

the_str = 'p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp3'
# should yield ['p1', 'p2\t\n\tstill p2', 'p3']

the_str = 'p1\n\n\n\tp2'
# should yield ['p1', '\n\tp2']

我能提供的最好的方法是：r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*'，即

import re
paragraphs = re.split(r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*', the_str)

但这很丑。有更好的吗？

编辑：

建议被拒绝：

r'\s*?\n\s*?\n\s*?' -> 这将使示例 2 和示例 3 失败，因为 \s 包含 \n，因此它允许使用超过 2 个 \ns 的段落分隔符。

【问题讨论】：

标签： python regex parsing text split

【解决方案1】：

几乎相同，但使用非贪婪量词并利用空白序列。

\s*?\n\s*?\n\s*?

【讨论】：

这会使示例 2 失败，因为 \s 包含 \n。

【解决方案2】：

您是否尝试在普通测试中推断文档的结构？你在做docutils 所做的事情吗？

您也许可以简单地使用Docutils parser 而不是自己滚动。

【讨论】：

【解决方案3】：

不幸的是，没有写“空格但不是换行符”的好方法。

我认为您能做的最好的事情是使用 x 修饰符添加一些空间并尝试将丑陋因素排除在外，但这是有问题的：(?x) (?: [ \t\r\f\v]*? \n ){2} [ \t\r\f\v]*?

您也可以尝试为角色类创建一个子规则并插入 3 次。

【讨论】：

【解决方案4】：

不是正则表达式，但非常优雅：

from itertools import groupby

def paragraph(lines) :
    for group_separator, line_iteration in groupby(lines.splitlines(True), key = str.isspace) :
        if not group_separator :
            yield ''.join(line_iteration)

for p in paragraph('p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp'): 
    print repr(p)

'p1\n'
'p2\t\n\tstill p2\t   \n'
'\tp3'

当然，您可以根据需要剥离输出。

灵感来自著名的“Python Cookbook”；-)

【讨论】：

简洁的解决方案。 str_isspace 是什么？
一个错字:-) 您应该从对象字符串中读取方法 isspace() 的 str.isspace。它将被调用以确定某物是否为空间，并据此对对象进行分组。我修好了。

【解决方案5】：

仅供参考：我刚刚在另一个线程中为此类问题编写了 2 个解决方案。首先使用此处要求的正则表达式，其次使用状态机方法，一次通过输入流：

https://stackoverflow.com/a/64863601/5201675

【讨论】：