根据标点或驼峰命名分割句子

Question

我在Python中有一个很长的字符串，想把它分成一个句子的列表。不过，有些句子之间缺少标点符号和空格。

举个例子

我车库里有9只羊视频游戏超级酷。

我搞不清楚怎么用正则表达式把这两个句子分开！这让我很头疼。

还有一些句子是有正确标点的，所以我想做几个不同的正则表达式，每个用来分开不同风格的组合。

输入

我车库里有9只羊视频游戏超级酷。有些花生会唱歌，虽然它们的味道比听起来好得多！

输出

['我车库里有9只羊', '视频游戏超级酷。', '有些花生会唱歌，虽然它们的味道比听起来好得多！']

谢谢！

Answer 1

位置拆分：使用 regex 模块

我会给你提供一个“拆分”和一个“匹配所有”的选项。我们先从“拆分”开始。

在很多引擎中，但不是Python的 re 模块，你可以在一个零宽匹配的位置进行拆分。

在Python中，如果要在某个位置拆分，我会使用Matthew Barnett的优秀regex 模块，它的功能远远超过Python默认的 re 引擎。这个模块是我在Python中使用的默认正则表达式引擎。

根据你的输入，你可以使用这个正则表达式：

(?V1)(?<=[a-z])(?=[A-Z])|(?<=[.!?]) +(?=[A-Z])

注意，如果你有格式奇怪的缩写，比如 B. B. C.，我们需要对这个表达式进行调整。

示例Python代码：

string = "I have 9 sheep in my garageVideo games are super cool. Some peanuts can sing, though they taste a whole lot better than they sound!"
result = regex.split("(?V1)(?<=[a-z])(?=[A-Z])|(?<=[.!?]) +(?=[A-Z])", string)
print(result)

输出：

['I have 9 sheep in my garage', 
'Video games are super cool.', 
'Some peanuts can sing, though they taste a whole lot better than they sound!']

解释

• (?V1) 告诉引擎使用新的行为，这样我们就可以在零宽匹配的位置进行拆分。
• (?<=[a-z])(?=[A-Z]) 匹配一个位置，在这个位置，前面是小写字母，后面是大写字母。
• | 或者...
• (?<=[.!?]) +(?=[A-Z]) 匹配一个或多个空格 +，在这个位置，前面是句号、感叹号或问号和一个空格，后面是一个大写字母。

---

选项2：使用 findall（同样使用 regex 模块）

因为“拆分”和“匹配所有”操作是同一个问题的两个方面，你可以这样做：

print(regex.findall(r".+?(?:(?<=[.!?])|(?<=[a-z])(?=[A-Z]))",string))

再次强调，这在 re 中是无法实现的（因为它会跳过第二个句子开头的 V，也就是 Video）。