Python正则表达式查找所有单词组

Question

这是我目前的进展

text = "Hello world. It is a nice day today. Don't you think so?"
re.findall('\w{3,}\s{1,}\w{3,}',text)
#['Hello world', 'nice day', 'you think']

我想要的结果是这样的：['Hello world', 'nice day', 'day today', 'today Don't', 'Don't you', 'you think']

这个可以用简单的正则表达式来实现吗？

相关问题：

• 如何在Python中从文件读取到下一行的下一个单词或多个单词？
• 在Python中使用正则表达式匹配字符串的开始和结束
• 如果行以关键字开头，匹配数字
• 提取段落的正则表达式
• 使用正则表达式匹配直到某个模式
• 在两个字符串之间的正则表达式？
• 在Python中匹配长度大于八个字母的正则表达式
• Python中的电话号码正则表达式

Answer 1

你的方法有两个问题：

1. \w 和 \s 都无法匹配标点符号。
2. 当你用正则表达式的 findall 方法去匹配一个字符串时，匹配到的部分会被“消耗掉”。这意味着下一个匹配会从上一个匹配的结束位置开始。因此，一个单词不能被分成两个不同的匹配。

要解决第一个问题，你需要先明确什么是“单词”。正则表达式在处理这种解析时并不是特别好。你可能需要看看一些自然语言解析的库。

假设你能找到一个适合你需求的正则表达式，解决第二个问题的方法是使用前瞻断言来检查第二个单词。虽然这样做不能返回你想要的整个匹配结果，但至少你可以用这种方法找到每对单词中的第一个单词。

 re.findall('\w{3,}(?=\s{1,}\w{3,})',text)
                   ^^^            ^
                  lookahead assertion

Answer 2

map(lambda x: x[0] + x[1], re.findall('(\w{3,}(?=(\s{1,}\w{3,})))',text))

你可以把这个lambda表达式改得更简短一点，比如直接用'+'就可以了。顺便说一下，'并不是\w或\s的一部分。

Answer 3

import itertools as it
import re 

three_pat=re.compile(r'\w{3}')
text = "Hello world. It is a nice day today. Don't you think so?"
for key,group in it.groupby(text.split(),lambda x: bool(three_pat.match(x))):
    if key:
        group=list(group)       
        for i in range(0,len(group)-1):
            print(' '.join(group[i:i+2]))

# Hello world.
# nice day
# day today.
# today. Don't
# Don't you
# you think

我不太明白你想对所有标点符号做什么。一方面，看起来你想去掉句号，但又想保留单引号。去掉句号这件事很简单，但在我动手之前，你能不能再说明一下你希望所有标点符号怎么处理？