基于上下文的字符串分割在Python中

Question

抱歉如果这有点重复，但我在网上搜索了很久，没找到相关的信息。

我有一个来自化学数据库的字符串，其中的分隔符（逗号）有时会出现在我想要拆分的项目中。比如说，有这样一个字符串：

s = '2-Methyl-3-phythyl-1,4-naphthochinon,Vitamin, K1,Antihemorrhagic vitamin'

在这个例子中，正确的拆分结果应该是：

splitS = ['2-Methyl-3-phythyl-1,4-naphthochinon', 'Vitamin, K1', 'Antihemorrhagic vitamin']

我认为，最准确的拆分方法是只在那些旁边没有空格的逗号上进行拆分，并且这些逗号周围不能有两个数字。这样的话，像'1,4'和'Vitamin, K1'这样的情况就不会被拆分，而是能正确拆分出三个化学名称。

我尝试过使用正则表达式，但没有成功。我可以分享一些我尝试过的内容，但基本上没什么用。非常感谢大家的帮助。

编辑：我本该一开始就提到这一点。通过一些尝试，以及@Borealid提供的更优雅的解决方案，我已经正确找到了拆分的位置，但输出结果却很糟糕，比如：

>>> s = '2-Methyl-3-phythyl-1,4-naphthochinon,Vitamin, K1,Antihemorrhagic vitamin'
>>> pat = re.compile("([^\d\s],[^\d\s])|([^\s],[^\d\s])|([^\d\s],[^\s])")
>>> re.split(pat, s)
['2-Methyl-3-phythyl-1,4-naphthochino', 'n,V', None, None, 'itamin, K', None, '1,A', None, 'ntihemorrhagic vitamin']

看起来应该有一种方法，先找到正确的逗号进行拆分，然后只在这些逗号上拆分，这样就能避免名称被破坏。

再次感谢大家！

Answer 1

类似于 ([^\d\s],[^\d\s])|([^\s],[^\d\s])|([^\d\s],[^\s]) 吗？

这个意思是：逗号的两边要么没有数字，要么一边有数字而另一边没有，或者一边有数字而另一边是空白。

在所有情况下，逗号旁边不能有空格。

\d 代表“数字”。\s 代表“空白字符”。[] 是一个字符类，而 [^] 是一个反向字符类（意思是“匹配不在后面内容中的字符”）。

这个规则不会在字符串的开头或结尾的逗号上进行分割，但我觉得这应该不是个大问题。

Answer 2

我有一个解决方案，不过有点长。好了，开始吧：

s = '2-Methyl-3-phythyl-1,4-naphthochinon,Vitamin, K1,Antihemorrhagic vitamin'

首先，我们要找到字符串中所有逗号的位置，这些位置会存放在 all_commas 里；然后找到所有特殊逗号的位置，这些会放在 special_commas 里：

all_commas = [match.start() for match in re.finditer(r',', s)]
special_commas = [match.start()+1 for match in re.finditer(r'\d,\d|.,\s', s)]

接下来，我们计算这些位置之间的差值，这些差值会存放在 split_commas 里。现在，我们就得到了要分割的位置：

split_commas = set(all_commas) - set(special_commas)

然后，我们会遍历这些分割位置，把分割出来的字符串保存在 splitS 里：

splitS = []
start = -1
for end in sorted(split_commas) + [None]:
    splitS.append(s[start+1:end])
    start = end

最后，这就是我们在 splitS 中得到的结果：

>>> splitS
['2-Methyl-3-phythyl-1,4-naphthochinon', 'Vitamin, K1', 'Antihemorrhagic vitamin']

Answer 3

你可以通过使用前后查找的方式，来只匹配符合你描述的逗号：

(?<!\d),(?! )|(?<=\d),(?![\d ])

而且它似乎在你的示例字符串中表现得很正确：

>>> re.split(r'(?<!\d),(?! )|(?<=\d),(?![\d ])', s)
['2-Methyl-3-phythyl-1,4-naphthochinon', 'Vitamin, K1', 'Antihemorrhagic vitamin']

下面是解释：

 (?<!\d),   # match a comma that is not preceeded by a digit...
 (?! )      # ... as long as it is not followed by a space
|           # OR
 (?<=\d),   # match a comma that is preceeded by a digit...
 (?![\d ])  # ... as long as it is not followed by a digit or a space

在写完解释后，我意识到正则表达式中的(?<=\d)部分其实是多余的，因为它在正则表达式的第一部分不匹配时已经隐含了这个意思。这意味着你可以把它简化成下面的形式，依然能得到相同的效果：

(?<!\d),(?! )|,(?![\d ])