使用Regex Tokeniz标记

Question

我想用regex标记器标记下面的句子

MOST INTERESTED IN NUT BUTTERS

当我把我的标记器定义为

^{pr2}$

我得到的输出为

['MOST', 'INTERESTED', 'IN', 'NUT', 'BUTTERS']

我想要的输出是

['MOST', 'INTERESTED', 'IN', 'NUT BUTTERS']

我希望坚果黄油是唯一的元素 我不知道要使用什么正则表达式或\w+

Answer 1

如果要使用正则表达式解决方案，则必须列出一个包含必须作为一个提取的空格的单词列表，然后按如下方式构建正则表达式：

word space1|word space2|word space3|...|word spaceN|\w+

对于您的示例，它变成：

^{pr2}$

Answer 2

请改为尝试split()。在

>>> str = 'MOST INTERESTED IN NUT BUTTERS'
>>> str.split(' ', 3) # 3 tells the number of splits it should do.
['MOST', 'INTERESTED', 'IN', 'NUT BUTTERS']