如何合并这两个正则表达式？ [复制]

Question

p1 = re.compile(r"https?:[^\s]+[a-zA-Z0-9]")

p2 = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\._%\-]+)", re.U)

我想将这两种模式合并为一个，然后我可以使用'split'功能根据统一的正则表达式来分割文本。怎么做？是否有某种模式联合操作，如：

p = p1 + p2

p1 是匹配 URL 字符串的模式，p2 是基于某些字符将文本拆分为块的模式。我想得到一个匹配 p1 或 p2 的新模式。这是在 Python 中。

举例说明：

text = This is a https://www.stackoverflow.com/posts/32244/edits example.

如果我只是应用p2，文本会被拆分成：

['This', ' ', 'is', ' ', 'a', ' ','https', '://', 'www.stackoverflow.com', '/', 'posts', '/', '32244', '/', 'edits', 'example']

我不想拆分 URL，我想得到这些块：

['This',' ', 'is', ' ',  'a', ' ', 'https://www.stackoverflow.com/posts/32244/edits', ' ', 'example', '.']

这就是我想为 URL 保持模式添加 p1 的原因。我上面用 p = p1 + p2 的描述可能不准确。

Answer 1

我认为拆分操作在这里不合适——通过说明您确实想要哪些子模式而不是在哪里分隔它们更容易积极地定义匹配。尽管规范有待推断，但您的组似乎是：

1. 一个或多个空格 ( +)。
2. 任何以 \bhttp 开头且不包含空格 (\bhttp[^ ]+) 的字符序列。
3. 任何单词字符序列 (\b\w+)。
4. 任何非单词、非空格字符（标点符号等）序列 (\b[\S\W]+)。

交替加入不同的可能性：

>>> re.findall(r" +|\bhttp[^ ]+|\b\w+|\b[\S\W]+", text)
['This', ' ', 'is', ' ', 'a', ' ', 'https://www.stackoverflow.com/posts/32244/edits', ' ', 'example', '.']