代码之家 › 专栏 › 技术社区 › rv.kvetch

正则表达式替换Python中由下划线分隔的单词

python-3.x regex python

rv.kvetch · 技术社区 · 8 年前

我试图用Python替换特定的单词(用下划线的特定单词边界分隔)。我知道我可以做一个字符串拆分并循环遍历列表项来替换关键短语,然后重新将其连接到字符串中。。但这并不是最优雅或最好的方式去做。

def replace_words(string, rep_dict, separator):
    regex = r'({0}|\b)({1})({2}|\b)'.format(re.escape(separator), '|'.join(rep_dict.keys()), re.escape(separator))
    return re.sub(regex, lambda x: '{0}{1}{2}'.format(x.group(1), rep_dict[x.group(2)], x.group(3)), string)

假设我使用任何其他分隔符,例如星号(*),则它按预期工作:

 rep_odds = {'first': '1st', 'third': '3rd', 'fifth': '5th'}
 rep_evens = {'second': '2nd', 'fourth': '4th'}
 orders = ['first', 'second', 'third', 'fourth', 'fifth']
 before = '*'.join(orders)
 after = replace_words(before, rep_odds, separator='*')
 # returns: 1st*second*3rd*fourth*5th
 after = replace_words(before, {**rep_odds, **rep_evens}, separator='*')
 # returns: 1st*2nd*3rd*4th*5th

但是,如果我将其更改为使用分隔符作为下划线(u),则会出现这种意外的(错误的)行为:

before = '_'.join(orders)
after = replace_words(before, rep_odds, separator='_')
# returns: 1st_second_3rd_fourth_5th <-- Good
after = replace_words(before, {**rep_odds, **rep_evens}, separator='_')
# returns: 1st_second_3rd_fourth_5th <-- What went wrong ?!

如果有人能帮助我理解这种行为,我对学习regex以及它在Python中的工作方式还是有点陌生。。。谢谢。

4 回复 | 直到 8 年前

BallpointBen 8 年前

很好的问题。问题是:

re.sub 不允许一个字符位于多个匹配组中;一旦某个字符属于某个匹配项,则会使用该字符,除非指定该匹配项为非匹配项。当使用星号进行匹配时,一个关键事实是单词边界位于星号和单词字符之间。下面是使用星号(the {0} {1} ,和 {2} 在 lambda

('', 'first', '*')
('', 'second', '*')
('', 'third', '*')
('', 'fourth', '*')
('', 'fifth', '')

当regex匹配器到达第一个匹配的末尾时,其光标位于第一个星号和单词之间 second ,这是一个词的边界。因此 second* third* 等等。

但是,当使用下划线时,以下是相应的匹配项:

('', 'first', '_')
('_', 'third', '_')
('_', 'fifth', '')

当regex匹配器到达第一个匹配的末尾时,其光标位于第一个下划线和单词之间 ,这是不一个词的界限。因为它已经传递了第一个下划线并且不在单词边界处,所以它不能匹配 (_|\b)second 第二 ,并且您可以看到,该匹配包括 third

简而言之,第一个例子是“幸运”的,因为在传递分隔符字符之后,您将在单词边界中着陆,而第二个例子不是这样。

要解决这个问题,可以使用前瞻断言,它不会使用匹配的字符。

def replace_words(string, rep_dict, separator):
    regex = r'({0}|\b)({1})((?={2}|\b).*?)'.format(
        re.escape(separator), '|'.join(rep_dict.keys()), re.escape(separator)
    )

    return re.sub(
        regex, lambda x: '{0}{1}{2}'.
        format(x.group(1), rep_dict[x.group(2)], x.group(3)), string
    )

('', 'first', '')
('*', 'second', '')
('*', 'third', '')
('*', 'fourth', '')
('*', 'fifth', '')

忽略下面的横线文本,这些文本会在单词前缀上匹配,例如。 *firstperson* 会变成 *1stperson*

P、你最好的选择是分裂和重新加入美国。无论如何,这很可能是re.sub在幕后所做的,因为字符串是不可变的。

~~要解决此问题,只能在关键字前面的分隔符上进行匹配或或字符串的结尾)。~~

def replace_words(string, rep_dict, separator):
    regex = r'(^|{0})({1})'.format(
        re.escape(separator), '|'.join(rep_dict.keys())
    )

    return re.sub(
        regex, lambda x: print(x.groups()) or '{0}{1}'.
        format(x.group(1), rep_dict[x.group(2)]), string
    )

taras Hardik Kamdar 8 年前

它不会直接回答你的问题,但这不是:

def replace_words(s, rep_dict, sep):
    return sep.join(rep_dict.get(word, word) for word in s.split(sep))

比regex解决方案更优雅(反正它使用 join )?

Austin 8 年前

regex 如果我能理解你。

rep_odds = {'first': '1st', 'third': '3rd', 'fifth': '5th'}
rep_evens = {'second': '2nd', 'fourth': '4th'}
orders = ['first', 'second', 'third', 'fourth', 'fifth']

print('_'.join([rep_odds.get(x, rep_evens.get(x, 0)) for x in orders]))
# 1st_2nd_3rd_4th_5th

您可以将其泛化为与任何分隔符或 orders

def fun(sep, orders):
    print(sep.join([rep_odds.get(x, rep_evens.get(x, 0)) for x in orders]))

fun('*', orders)
# 1st*2nd*3rd*4th*5th

1pluszara 8 年前

这是另一种方式:

z=dict(rep_odds.items() + rep_evens.items())
for i,item in enumerate(orders):
    orders[i]=z.get(item)

输出:

print(orders)
['1st', '2nd', '3rd', '4th', '5th']