按位置而不是字符拆分字符串

Question

我们知道anchors、word boundaries 和lookaround 匹配一个位置，而不是匹配一个字符。
是否可以使用正则表达式（特别是在 python 中）通过上述方式之一拆分字符串？

例如考虑以下字符串：

"ThisisAtestForchEck,Match IngwithPosition." 

所以我想要以下结果（以大写字母开头但前面没有空格的子字符串）：

['Thisis', 'Atest', 'Forch' ,'Eck,' ,'Match Ingwith' ,'Position.']

如果我通过分组进行拆分，我会得到：

>>> re.split(r'([A-Z])',s)
['', 'T', 'hisis', 'A', 'test', 'F', 'orch', 'E', 'ck,', 'M', 'atchingwith', 'P', 'osition.']

这是环视的结果：

>>> re.split(r'(?<=[A-Z])',s)
['ThisisAtestForchEck,MatchingwithPosition.']
>>> re.split(r'((?<=[A-Z]))',s)
['ThisisAtestForchEck,MatchingwithPosition.']
>>> re.split(r'((?<=[A-Z])?)',s)
['ThisisAtestForchEck,MatchingwithPosition.']

请注意，如果我想通过以大写开头并以空格开头的子字符串进行拆分，例如：

['Thisis', 'Atest', 'Forch' ,'Eck,' ,'Match ', Ingwith' ,'Position.']

我可以使用re.findall，即：

>>> re.findall(r'([A-Z][^A-Z]*)',s)
['Thisis', 'Atest', 'Forch', 'Eck,', 'Match ', 'Ingwith', 'Position.']

但是第一个例子呢：可以用re.findall 解决吗？

Answer 1

re.findall的方式：

re.findall(r'(?:[A-Z]|^[^A-Z\s])[^A-Z\s]*(?:\s+[A-Z][^A-Z]*)*',s)

当您决定将您的方法从 split 更改为 findall 时，第一项工作包括重新制定您的要求：“我想在每个大写字母上拆分字符串，而不是前面有空格”=>“我想要查找一个或多个以大写字母开头的空格分隔的子字符串，但字符串开头除外（如果字符串不以大写字母开头）"

Answer 2

 (?<!\s)(?=[A-Z])

您可以使用它与正则表达式模块进行拆分，因为 re 不支持在 0 宽度断言处拆分。

import regex
x="ThisisAtestForchEck,Match IngwithPosition."
print regex.split(r"(?<![\s])(?=[A-Z])",x,flags=regex.VERSION1)

或

print [i for i in regex.split(r"(?<![\s])(?=[A-Z])",x,flags=regex.VERSION1) if i]

查看演示。

https://regex101.com/r/sJ9gM7/65

Answer 3

我知道由于结果的元组性质，这可能不太方便。但我认为这个findall 能找到你需要的东西：

re.findall(r'((?<!\s)[A-Z]([^A-Z]|(?<=\s)[A-Z])*)', s)
## returns [('Thisis', 's'), ('Atest', 't'), ('Forch', 'h'), ('Eck,', ','), ('Match Ingwith', 'h'), ('Position.', '.')]

这可用于以下列表推导以提供所需的输出：

[val[0] for val in re.findall(r'((?<!\s)[A-Z]([^A-Z]|(?<=\s)[A-Z])*)', s)]
## returns ['Thisis', 'Atest', 'Forch', 'Eck,', 'Match Ingwith', 'Position.']

这是一个使用split的hack：

re.split(r'((?<!\s)[A-Z]([^A-Z]|(?<=\s)[A-Z])*)', s)[1::3]
## returns ['Thisis', 'Atest', 'Forch', 'Eck,', 'Match Ingwith', 'Position.']

Answer 4

尝试使用此模式进行捕获

([A-Z][a-z]*(?: [A-Z][a-z]*)*)

Demo