python - Python按模式拆分字符串

Question

我有像"aaaaabbbbbbbbbbbbbbccccccccccc". 字符的数量可能不同，有时字符串内可能会有破折号，例如"aaaaa-bbbbbbbbbbbbbbccccccccccc".

有没有什么聪明的方法可以拆分它"aaaaa"，获取它的索引"bbbbbbbbbbbbbb"，"ccccccccccc"或者只是获取索引，而不遍历每个字符串？如果破折号位于模式之间，则它可以在左侧或右侧结束，只要它始终处理相同。

任何想法？

Answer 1

正则表达式MatchObject结果包括匹配的索引。剩下的就是匹配重复的字符：

import re

repeat = re.compile(r'(?P<start>[a-z])(?P=start)+-?')

仅当给定字母字符 ( a- z) 至少重复一次时才会匹配：

>>> for match in repeat.finditer("aaaaabbbbbbbbbbbbbbccccccccccc"):
...     print match.group(), match.start(), match.end()
... 
aaaaa 0 5
bbbbbbbbbbbbbb 5 19
ccccccccccc 19 30

匹配结果的.start()and.end()方法为您提供输入字符串中的确切位置。

匹配中包含破折号，但不包含非重复字符：

>>> for match in repeat.finditer("a-bb-cccccccc"):
...     print match.group(), match.start(), match.end()
... 
bb- 2 5
cccccccc 5 13

如果您希望a-零件匹配，只需将 替换+为*乘数：

repeat = re.compile(r'(?P<start>[a-z])(?P=start)*-?')

Answer 2

怎么用itertools.groupby？

>>> s = 'aaaaabbbbbbbbbbbbbbccccccccccc'
>>> from itertools import groupby
>>> [''.join(v) for k,v in groupby(s)]
['aaaaa', 'bbbbbbbbbbbbbb', 'ccccccccccc']

这会将-它们作为自己的子字符串，这些子字符串很容易被过滤掉。

>>> s = 'aaaaa-bbbbbbbbbbbbbb-ccccccccccc'
>>> [''.join(v) for k,v in groupby(s) if k != '-']
['aaaaa', 'bbbbbbbbbbbbbb', 'ccccccccccc']

Answer 3

str="aaaaabbbbbbbbbbbbbbccccccccccc"
p = [0] 
for i, c in enumerate(zip(str, str[1:])):
    if c[0] != c[1]:
        p.append(i + 1)
print p

# [0, 5, 19]