使用正则表达式将韩文文本解析为列表答案

【问题标题】：Parsing Korean text into a list using regex使用正则表达式将韩文文本解析为列表
【发布时间】：2019-01-25 10:08:02
【问题描述】：

我有一些数据存储为 pandas 数据框，其中一列包含韩语文本字符串。我想按如下方式处理每个文本字符串：

my_string = '모질상태불량(피부상태불량, 심하게 야윔), 치석심함, 양측 수정체 백탁, 좌측 화농성 눈곱심함(7/22), 코로나음성(활력저하)'

进入这样的列表：

parsed_text = '모질상태불량, 피부상태불량, 심하게 야윔, 치석심함, 양측 수정체 백탁, 좌측 화농성 눈곱심함(7/22), 코로나음성, 활력저하'

所以问题是识别一个单词（或几个单词）后跟仅带有文本的括号的情况（可以是一个单词或用逗号分隔的几个单词）并将它们替换为所有单词（括号之前和括号内）用逗号分隔（供以后处理）。如果一个单词后跟包含数字的括号（如本例中的 7/22），则应保持原样。如果一个词后面没有任何括号，它也应该保持原样。此外，我想保留单词的顺序（因为它们出现在原始字符串中）。

我可以使用正则表达式提取括号中的文本，如下所示：

corrected_string = re.findall(r'(\w+)\((\D.*?)\)', my_string)

产生这个：

[('모질상태불량', '피부상태불량, 심하게 야윔'), ('코로나음성', '활력저하')]

但是我在创建结果字符串时遇到了困难，即用我匹配的模式替换我的原始文本。有什么建议么？谢谢。

【问题讨论】：

试试this approach。 rx = r'(\w+\([\d/]*\))|(\()|\)'、def repl(m): if m.group(1): return m.group(1) elif m.group(2): return ", " else: return "" 和 re.sub(rx, repl, s)。
为什么不回答呢？
@Rahul 因为它遵循不同的逻辑。如果它有效，我会发布。

标签： python regex replace pattern-matching cjk

【解决方案1】：

您可以将re.findall 与可选匹配括号中的数字的模式一起使用：

corrected_string = re.findall(r'[^,()]+(?:\([^)]*\d[^)]*\))?', my_string)

【讨论】：

这个太完美了！谢谢。

【解决方案2】：

有点笨拙，但你可以试试：

my_string_list = [x.strip() for x in re.split(r"\((?!\d)|(?<!\d)\)|,", my_string) if x]
# you can make string out of list then.

【讨论】：

谢谢。效果很好！我很感激。只有一件事，当你查看结果列表中的第三个单词时，它把右括号留在了里面。
这只是为了您的理解。你需要从这里开始工作。另请参阅 Wiktor Stribiżew 的方法。
@Rahul 谢谢，Rahul。