用于拆分段落的python正则表达式

Question

如何编写正则表达式以在python中用于拆分段落？

段落由2个换行符（\n）定义。但是一个人可以有任意数量的空格/制表符和换行符，它仍然应该被视为一个段落。

我使用的是python，因此解决方案可以使用python的regular expression syntax，它是扩展的。（可利用(?P...)材料）

示例：

the_str = 'paragraph1\n\nparagraph2'
# splitting should yield ['paragraph1', 'paragraph2']

the_str = 'p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp3'
# should yield ['p1', 'p2\t\n\tstill p2', 'p3']

the_str = 'p1\n\n\n\tp2'
# should yield ['p1', '\n\tp2']

最好的办法是：r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*'，也就是说

import re
paragraphs = re.split(r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*', the_str)

但那很难看。还有更好的吗？

编辑：

拒绝的建议：

r'\s*?\n\s*?\n\s*?'->；这将使示例2和3失败，因为\s包含\n，因此它将允许超过2\ns的段落打断

Answer 1

不幸的是，没有好的方法来写“空格但不是换行符”。

我想你最好用x修饰符加一些空格，试着把丑陋因素考虑一下，但这是有问题的：(?x) (?: [ \t\r\f\v]*? \n ){2} [ \t\r\f\v]*?

您也可以尝试仅为character类创建一个子规则并将其插值三次。

Answer 2

不是regexp而是非常优雅：

from itertools import groupby

def paragraph(lines) :
    for group_separator, line_iteration in groupby(lines.splitlines(True), key = str.isspace) :
        if not group_separator :
            yield ''.join(line_iteration)

for p in paragraph('p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp'): 
    print repr(p)

'p1\n'
'p2\t\n\tstill p2\t   \n'
'\tp3'

当然，你可以根据自己的需要剥离输出。

灵感来源于著名的“Python食谱”；-）

Answer 3

你想在普通测试中推断出文档的结构吗？你在做docutils做的事吗？

你可以简单地使用Docutils parser而不是自己滚动。