Python scinde une chaîne basée sur les regex

Quelle est la meilleure façon de découper une chaîne de caractères comme "HELLO there HOW are YOU" en majuscules les mots (en Python)?

Donc je finirais avec un tableau comme tel: results = ['HELLO there', 'HOW are', 'YOU']

EDIT:

J'ai essayé: 

p = re.compile("\b[A-Z]{2,}\b")
print p.split(page_text)

Il ne semble pas fonctionner, cependant.

  • Qu'avez-vous essayé? - Vous ne pouvez pas trouver re.split()?
  • Quand vous dites quelque chose ne fonctionne pas, vous devrez expliquer pourquoi. Ne vous obtenez une exception? (Si oui, poste l'ensemble de l'exception) avez-vous reçu le bon de sortie?
InformationsquelleAutor | 2012-11-03
  1. 98

    Je suggère

    l = re.compile("(?<!^)\s+(?=[A-Z])(?!.\s)").split(s)

    Vérifier cette démo.

    • ce qui se passe quand vous ne faites pas de compiler ?
    • Par la re docs, "la plupart expression régulière opérations sont disponibles en tant que module-fonctions de niveau et RegexObject méthodes. Les fonctions sont des raccourcis qui ne vous obligent pas à compiler un objet regex premier, mais manquer de réglage fin des paramètres." Vous pouvez utiliser re.split(re.split(pattern, string, maxsplit=0, flags=0)) comme mentionné précédemment dans le cité docs.
    InformationsquelleAutor Ωmega
  2. 39

    Vous pouvez utiliser un lookahead:

    re.split(r'[ ](?=[A-Z]+\b)', input)

    Ce sera divisée à chaque espace est suivi par une chaîne de lettres majuscules, qui aboutissent à une limite de mot.

    Noter que les crochets ne sont que pour des raisons de lisibilité et pourrait ainsi être omis.

    Si il est suffisant que la première lettre d'un mot est en majuscules (donc, si vous voulez diviser en face de Hello ainsi), il est encore plus facile:

    re.split(r'[ ](?=[A-Z])', input)

    Maintenant, cela se divise à chaque espace suivi par une lettre majuscule.

    • Comment puis-je changer re.split(r'[ ](?=[A-Z]+\b)', input) en sorte qu'elle ne trouve pas les majuscules? E. g. Il ne serait pas correspondre à "Un"? J'ai essayé re.split(r'[ ](?=[A-Z]{2,}+\b)', input). merci!
    • Vous voulez dire que vous voulez avoir besoin d'au moins deux lettres majuscules, de sorte que vous n'avez pas de scission à des mots comme I? re.split(r'[ ](?=[A-Z]{2,}\b)', input) devrait le faire.
    • Je suggère au moins [ ]+ ou peut-être même \W+ pour attraper un peu plus de cas. Encore une bonne réponse.
    InformationsquelleAutor Martin Ender
  3. 13

    Vous n'avez pas besoin de rupture, mais plutôt findall:

     re.findall(r'[A-Z]+[^A-Z]*', str)
    • Qui se divise à consécutives lettres majuscules pas les majuscules des mots
    • Je ne sais pas ce que vous entendez par "mot".
    • Voir son exemple. Un mot qui est entièrement en majuscules. Et je voudrais prendre la parole, comme quelque chose qui est entre (regex) les limites des mots. Vôtre serait divisé someThing entre some et Thing
    • Ainsi, un "mot" comme "quelque chose qui est entre \b's" n'est vrai que pour un certain sous-ensemble de) langue anglaise. Le langage naturel tokenisation est un problème complexe et ne peut pas être résolu avec des expressions régulières seul. Sauf si vous venez avec une expression qui est en mesure de correspondre à la "co-coalgebra", "O'Hara" ou "N/A" d'une façon non ambiguë, je refuse de discuter de toute question concernant les "mots".
    • Super! Juste un exemple d'un vrai nettoyage des données: "AntidepressantAntiarrhythmicAdrenergic (bêta) bloquant" doit être comprise comme ["Antidépresseur", 'anti-arythmique', 'Adrénergiques (bêta) bloquant']
    InformationsquelleAutor georg
  4. 0

    Votre question contient la chaîne de caractères littérale "\b[A-Z]{2,}\b",
    mais que \b signifie revenir en arrière, car il n'y a pas de r-modificateur.

    Essayer: r"\b[A-Z]{2,}\b".

    InformationsquelleAutor druid62