如何根据多个条件正则表达式将句子拆分为多个句子？答案

【问题标题】：how to split the sentence into multiple sentence based on multiple condition regex?如何根据多个条件正则表达式将句子拆分为多个句子？
【发布时间】：2021-07-12 09:59:49
【问题描述】：

我有以下句子。如果句子有点或匹配的单词，我需要将句子分成多个句子。

句子 1：尝试序列化参数 http://uri.org/:Message 时出错。不应出现数据协定名称为“enumStatus:”的 InnerException 消息。

预期结果：

senetences =    1. There was an error while trying to serialize parameter http://uri.org/:vMessage.
                2. The InnerException message with data contract name 'enumStatus:' is not expected.

句子 2：ORA-01756：引用的字符串未正确终止 ORA-06512：在模块 1 第 48 行 ORA-06512：在第 1 行

预期结果：

senetences = 1. ORA-01756: quoted string not properly terminated
             2. ORA-06512: at module1, line 48
             3. ORA-06512: at line 1

我正在使用下面的正则表达式来拆分句子。

 sentences = re.split(r'(?<=\w\.)\s|ORA-[0-9]{1,8}', input)

这里的问题是，对于第一种情况，如果任何单词后跟点都可以正常工作。对于第二种情况，我可以拆分句子。我有 2 个问题。

它正在删除整个匹配词“ORA-”。但我需要整个词。
我得到的是 4 个句子而不是 3 个句子。
1. （first 为空，因为它有起始词 ORA-）
2. 引用的字符串未正确终止
3. 在模块 1 第 48 行
4. 在 1 号线

在这种情况下我需要 3 句话。

任何帮助将不胜感激。

【问题讨论】：

标签： python regex string

【解决方案1】：

您可以使用此正则表达式进行拆分：

\s+(?=ORA-\d+)|(?<=\.)\s+(?=[A-Z])

RegEx Demo

正则表达式详细信息：

\s+(?=ORA-\d+)：匹配 1+ 个空格，如果后面跟着 ORA- 和 1+ 个数字
|：或者
(?<=\.)\s+(?=[A-Z]): 匹配 1+ 个空格，如果它前面有一个点，后面是一个大写字母

Code Demo

代码：

import re
arr = ["There was an error while trying to serialize parameter http://uri.org/:Message. The InnerException message with data contract name 'enumStatus:' is not expected.", "ORA-01756: quoted string not properly terminated ORA-06512: at module1, line 48 ORA-06512: at line 1"]

rx = re.compile(r'\s+(?=\bORA-\d+)|(?<=\.)\s+(?=[A-Z])')
for i in arr: print (rx.split(i))

输出：

['There was an error while trying to serialize parameter http://uri.org/:Message.', "The InnerException message with data contract name 'enumStatus:' is not expected."]
['ORA-01756: quoted string not properly terminated', 'ORA-06512: at module1, line 48', 'ORA-06512: at line 1']

【讨论】：

【解决方案2】：

(?<=\w\.)\s|(ORA-[0-9]{1,8})

您可以试试这个并替换为\n\1。

查看演示。

https://regex101.com/r/8yvUuZ/1/

# the above tag defines encoding for this document and is for Python 2.x compatibility

import re

regex = r"(?<=\w\.)\s|(ORA-[0-9]{1,8})"

test_str = ("ORA-01756: quoted string not properly terminated ORA-06512: at module1, line 48 ORA-06512: at line 1\n"
    "There was an error while trying to serialize parameter http://uri.org/:Message. The InnerException message with data contract name 'enumStatus:' is not expected.")

subst = "\\n\\1"

# You can manually specify the number of replacements by changing the 4th argument
result = re.sub(regex, subst, test_str, 0, re.MULTILINE)

if result:
    print (result)

# Note: for Python 2.7 compatibility, use ur"" to prefix the regex and u"" to prefix the test string and substitution.

【讨论】：