Python的正則表達式 - 多餘的匹配數

Question

我想分割使用-，+=，==，=，+作爲分隔符的字符串，而空白。我想保留分隔符，除非它是空格。

我試着用下面的代碼來實現這一目標：

def tokenize(s): 
    import re 
    pattern = re.compile("(\-|\+\=|\=\=|\=|\+)|\s+") 
    return pattern.split(s) 

print(tokenize("hello-+==== =+ there")) 

我預計輸出爲

['hello', '-', '+=', '==', '=', '=', '+', 'there'] 

但是我

['hello', '-', '', '+=', '', '==', '', '=', '', None, '', '=', '', '+', '', None, 'there'] 

這幾乎什麼我想要的，除了有很多無關的None和空字符串。

爲什麼這樣做，我該如何改變它以得到我想要的？

Answer 1

re.split默認返回是在匹配之間串的比特的陣列：（作爲@Laurence貢薩爾維斯注意到，這是它的主要用途。）

['hello', '', '', '', '', '', '', '', 'there'] 

注意在-之間的空字符串和+=，+=和==等

由於文檔解釋了，因爲你正在使用捕獲組（即，因爲您使用(\-|\+\=|\=\=|\=|\+)代替(?:\-|\+\=|\=\=|\=|\+)，即捕獲小組賽穿插位：

['hello', '-', '', '+=', '', '==', '', '=', '', None, '', '=', '', '+', '', None, 'there'] 

None對應於在\s+一半的格局被匹配;在這些情況下，捕獲小組一無所獲。

從查看re.split的文檔，我沒有看到一個簡單的方法來讓它在匹配之間丟棄空字符串，雖然簡單的列表理解（或者如果您願意，可以很容易地丟棄）None s和空字符串：

def tokenize(s): 
    import re 
    pattern = re.compile("(\-|\+\=|\=\=|\=|\+)|\s+") 
    return [ x for x in pattern.split(s) if x ] 

最後一個音符：對於到目前爲止你所描述的東西，這將正常工作，但根據您的項目進展的方向，你可能想切換到合適的解析庫。 The Python wiki對這裏的一些選項有很好的概述。

Answer 2

這種模式更符合你想要什麼：

\s*(\-|\+\=|\=\=|\=|\+)\s* 

你仍然會得到一個空字符串每個分割間，不過，因爲你應該期望。

Answer 3

它爲什麼這樣表現？

根據re的文檔。拆分：

如果在模式中使用捕獲括號，則模式中所有組的文本也會作爲結果列表的一部分返回。

這實際上是正確的：如果使用捕獲圓括號，則返回所有組的文本，無論它們是否匹配任何內容;那些不匹配的東西會返回None。

一如既往與split，兩個連續的分隔符被視爲單獨空字符串，那麼你會得到空字符串穿插。

我怎麼可能會改變它來得到我想要的東西？

最簡單的辦法是濾除輸出：

filter(None, pattern.split(s)) 

Answer 4

試試這個：

def tokenize(s): 
    import re 
    pattern = re.compile("(\-|\+\=|\=\=|\=|\+)|\s+") 
    x = pattern.split(s) 
    result = [] 
    for item in x: 
    if item != '' and item != None: 
     result.append(item) 
    return result 

print(tokenize("hello-+==== =+ there")) 

Answer 5

也許re.findall會更適合你？

>>> re.findall(r'-|\+=|==|=|\+|[^-+=\s]+', "hello-+==== =+ there") 
['hello', '-', '+=', '==', '=', '=', '+', 'there']