用逗号分隔字符串，'和，'或答案

【问题标题】：Split strings on commas, 'and's, 'or's用逗号分隔字符串，'和，'或
【发布时间】：2020-11-24 01:26:54
【问题描述】：

我想从一个自然编写的字符串列表转到一个 python 列表。

示例输入：

s1 = 'make the cake, walk the dog, and pick-up poo.'
s2 = 'flour, egg-whites and sand.'

输出：

split1 = ['make the cake', 'walk the dog', 'pick-up poo']
split2 = ['flour', 'egg-whites', 'sand']

我想在逗号（和句点）、“and”和“or”上拆分字符串，同时删除拆分和空字符串。由于牛津逗号的使用缺乏标准化，我不能只使用逗号。

我尝试了以下方法：

import re
[x.strip() for x in re.split('([A-Za-z -]+)', s1) if x not in ['', ',', '.']]

这给出了：

['make the cake', 'walk the dog', 'and pick-up poo']

这很接近。但是对于s2，它给出了：

['flour', 'egg-whites and sand']

我可以跨元素进行一些后期处理，以通过(and|or) 不断拆分元素，但我真的很想用逗号、and's 和 or's 的集合来标记。

我尝试了一些花哨的正则表达式拆分来对 and 之类的内容进行负面展望，但它不想拆分那个词。

[x.strip() for x in re.split('([A-Za-z -]+(?!and))', s2) if x not in ['', ',', '.']]
[x.strip() for x in re.split('([A-Za-z -]+(?!\band\b))', s2) if x not in ['', ',', '.']]

这也给了

['flour', 'egg-whites and sand']

我意识到有很多边缘情况，但我觉得我已经接近了，只是错过了一些小东西。

【问题讨论】：

您也可以考虑用例如替换所有目标标记而不是正则表达式逗号，然后根据逗号进行拆分，丢弃空格。

标签： python regex string tokenize

【解决方案1】：

你可以使用

\s*(?:\b(?:and|or)\b|[,.])\s*

请参阅regex demo。详情：

\s* - 0+ 个空格
(?:\b(?:and|or)\b|[,.]) - 整个单词 and 或 or，或逗号/句点
\s* - 0+ 个空格

见Python demo：

import re
rx = re.compile(r"\s*(?:\b(?:and|or)\b|[,.])\s*")
strings = ["make the cake, walk the dog, and pick-up poo.", "flour, egg-whites and sand."]
for s in strings:
    print( list(filter(None, rx.split(s))) )

请注意，逗号或句点在后面或用数字括起来时通常会被“排除”，您可以考虑将[.,] 替换为[,.](?!\d) 或[,.](?!(?<=\d[,.])\d)。

【讨论】：

【解决方案2】：

我认为你需要在通行证中处理这个问题：

应用标点符号分割
应用连词分割

这适用于您提供的两个测试用例

【讨论】：