Python正则表达式将字符串转换为单词列表（包括带连字符的单词）

Question

我想从一个字符串中提取出所有的单词，包括带连字符的单词。现在的代码是：

s = '-this is. A - sentence;one-word'
re.compile("\W+",re.UNICODE).split(s)

这个代码返回的是：

['', 'this', 'is', 'A', 'sentence', 'one', 'word']

而我希望它能返回：

['', 'this', 'is', 'A', 'sentence', 'one-word']

Answer 1

这段代码的意思是，我们有一个字符串s，里面有一些单词和符号。我们想要从这个字符串中找出所有的单词。

代码中的`re.findall`是一个用来查找字符串中符合特定规则的内容的函数。在这里，它的规则是：首先找带有连字符（-）的单词，比如“one-word”，如果没有找到，就找普通的单词，包括字母和撇号（'）的组合。

运行这段代码后，得到的结果是一个列表，里面包含了所有找到的单词，结果是：['this', 'is', 'A', 'sentence', 'one-word', "what's"]。

注意，代码的顺序是先找带连字符的单词，这一点很重要！

Answer 2

这里是我传统的“为什么要使用正则表达式语言，而不是直接用Python”的替代方案：

import string
s = "-this is. A - sentence;one-word what's"
s = filter(None,[word.strip(string.punctuation)
                 for word in s.replace(';','; ').split()
                 ])
print s
""" Output:
['this', 'is', 'A', 'sentence', 'one-word', "what's"]
"""

Answer 3

如果你不需要开头的空字符串，可以使用这个模式 \w(?:[-\w]*\w)? 来进行匹配：

>>> import re
>>> s = '-this is. A - sentence;one-word'
>>> rx = re.compile(r'\w(?:[-\w]*\w)?')
>>> rx.findall(s)
['this', 'is', 'A', 'sentence', 'one-word']

需要注意的是，这个模式无法匹配带有撇号的单词，比如 won't。