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)
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:
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\n
s的段落打断
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。
不是regexp而是非常优雅:
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”;-)
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。
相关问题 更多 >
编程相关推荐