python - python正则表达式分割段落

Question

如何编写一个正则表达式在 python 中使用来分割段落？

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

我正在使用 python，因此该解决方案可以使用扩展的 python正则表达式语法。（可以利用(?P...)东西）

例子：

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']

我能提供的最好的方法是：r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*'，即

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

但这很丑陋。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\n秒的段落中断。

Answer 1

不幸的是，没有写“空格但不是换行符”的好方法。

我认为你能做的最好的事情就是用x修饰符添加一些空间，并尝试将丑陋因素排除在外，但这是值得怀疑的：(?x) (?: [ \t\r\f\v]*? \n ){2} [ \t\r\f\v]*?

您也可以尝试仅为字符类创建一个子规则并对其进行 3 次插值。

Answer 2

您是否试图在普通测试中推断出文档的结构？你在做docutils做的事情吗？

您也许可以简单地使用Docutils 解析器，而不是自己动手。

Answer 3

不是正则表达式，但非常优雅：

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，您可以根据需要剥离输出。

灵感来自著名的“Python Cookbook”；-)

Answer 4

几乎相同，但使用非贪婪量词并利用空白序列。

\s*?\n\s*?\n\s*?

Answer 5

FYI: I just wrote 2 solutions for this type of problem in another thread. First using regular expressions as requested here, and second using a state machine approach which streams through the input one line at a time:

https://stackoverflow.com/a/64863601/5201675