使用一个分隔符但多个条件拆分字符串答案

【问题标题】：Split a string with one delimiter but multiple conditions使用一个分隔符但多个条件拆分字符串
【发布时间】：2015-10-28 09:57:12
【问题描述】：

早上好，

我发现多个线程处理使用多个分隔符分割字符串，但不是一个分隔符和多个条件。

我想按句子分割以下字符串：

desc = Anna Pytlik 博士是保守和美学牙科方面的专家。她会说英语和波兰语。

如果我这样做：

[t.split('.') for t in desc]

我明白了：

['Dr'，'Anna Pytlik 是保守和美学牙科方面的专家'，'她会说英语和波兰语。']

我不想拆分“博士”之后的第一个点。如何添加子字符串列表，在这种情况下 .split('.') 不适用？

谢谢！

【问题讨论】：

编译/获取缩写列表并匹配它们。
这是一个XY problem，其中X是“用多个分隔符分割字符串”，Y是“我想按句子分割以下字符串。 " 答案可能是nltk.sent_tokenize(text)，例如Python: Finding The Longest/Shortest Sentence In A Random Paragraph?

标签： python regex python-2.7 split string-split

【解决方案1】：

您可以将re.split 与negative lookbehind 一起使用：

>>> desc = "Dr. Anna Pytlik is an expert in conservative and aesthetic dentistry. She speaks both English and Polish."
>>> re.split(r"(?<!Dr|Mr)\. ", desc)
['Dr. Anna Pytlik is an expert in conservative and aesthetic dentistry',
 'She speaks both English and Polish.']

只需添加更多“例外”，以| 分隔。

更新：似乎负后视要求所有备选方案都具有相同的长度，因此这不适用于两个“博士”。和“教授”。一种解决方法可能是用. 填充模式，例如(?<!..Dr|..Mr|Prof)。您可以轻松编写一个辅助方法，根据需要用尽可能多的. 填充每个标题。但是，如果文本的第一个单词是 Dr.，这可能会中断，因为 .. 不会被匹配。

另一种解决方法可能是首先用一些占位符替换所有标题，例如"Dr." -> "{DR}" 和 "Prof." -> "{PROF}"，然后拆分，然后交换原来的标题。这样你甚至不需要正则表达式。

pairs = (("Dr.", "{DR}"), ("Prof.", "{PROF}")) # and some more
def subst_titles(s, reverse=False):
    for x, y in pairs:
        s = s.replace(*(x, y) if not reverse else (y, x))
    return s

例子：

>>> text = "Dr. Anna Pytlik is an expert in conservative and aesthetic dentistry. Prof. Miller speaks both English and Polish."
>>> [subst_titles(s, True) for s in subst_titles(text).split(". ")]
['Dr. Anna Pytlik is an expert in conservative and aesthetic dentistry', 'Prof. Miller speaks both English and Polish.']

【讨论】：

实际上，这仅在负后视的长度固定（此处为 2 个字符）时才有效。我还想检查“med”或“prof”之类的东西。有什么建议吗？

【解决方案2】：

你可以分开然后再加入 Dr/Mr/... 它不需要复杂的正则表达式并且可以更快（您应该对其进行基准测试以选择最佳选项）。

【讨论】：