如何将负面后视列表附加到 python 正则表达式？

Question

我正在尝试使用 regex split 将段落拆分为句子，并且我正在尝试使用此处发布的第二个答案： a Regex for extracting sentence from a paragraph in python

但我有一个缩写列表，即使有句号，我也不想在句子结尾。但我不知道如何正确地将其附加到该正则表达式中。我正在从一个文件中读取缩写词，该文件包含诸如 Mr. Ms. Dr. St. 之类的术语（每行一个）。

Answer 1

简短回答：您不能，除非所有后向断言都具有相同的固定宽度（在您的情况下它们可能不是；您的示例仅包含两个字母的缩写，但 Mrs. 会破坏您的正则表达式)。

这是当前 Python 正则表达式引擎的限制。

更长的答案：

您可以编写一个像(?s)(?<!.Mr|Mrs|.Ms|.St)\. 这样的正则表达式，用尽可能多的.s 填充lookbehind 断言的每个交替部分，以使它们都具有相同的宽度。但是，这在某些情况下会失败，例如当段落以 Mr. 开头时。

无论如何，您在这里使用的工具不正确。最好使用专为这项工作设计的工具，例如Natural Language Toolkit。

如果您被正则表达式困住（太糟糕了！），那么您可以尝试使用findall() 方法而不是split()：

(?:(?:\b(?:Mr|Ms|Dr|Mrs|St)\.)|[^.])+\.\s*

将匹配以. 结尾的句子（可选地后跟空格），并且可以不包含点，除非前面有一个允许的缩写。

>>> import re
>>> s = "My name is Mr. T. I pity the fool who's not on the A-Team."
>>> re.findall(r"(?:(?:\b(?:Mr|Ms|Dr|Mrs|St)\.)|[^.])+\.\s*", s)
['My name is Mr. T. ', "I pity the fool who's not on the A-Team."]

Answer 2

我不直接回答你的问题，但这篇文章应该包含足够的信息，以便你为你的问题编写一个有效的正则表达式。

您可以附加负面回顾列表。请记住，look-behinds 是零宽度的，这意味着您可以将任意数量的look-behinds 放在一起，并且您仍然从同一位置进行look-behind。只要您不需要在后视中使用“许多”量词（例如*、+、{n,}），一切都应该没问题（？）。

所以正则表达式可以这样构造：

(?<!list )(?<!of )(?<!words )(?<!not )(?<!allowed )(?<!to )(?<!precede )pattern\w+

这有点太冗长了。无论如何，我写这篇文章只是为了证明可以在固定字符串列表上进行回顾。

示例运行：

>>> s = 'something patterning of patterned crap patternon not patterner, not allowed patternes to patternsses, patternet'
>>> re.findall(r'(?<!list )(?<!of )(?<!words )(?<!not )(?<!allowed )(?<!to )(?<!precede )pattern\w+', s)
['patterning', 'patternon', 'patternet']

不过，使用look-behind 有一个问题。如果黑名单文本和匹配模式的文本之间存在动态数量的空格，则上面的正则表达式将失败。我真的怀疑是否存在修改正则表达式的方法，以便它适用于上述情况同时保持后视。 （您始终可以将连续的空格替换为 1，但它不适用于更一般的情况。