3

简短的问题:

我有一个字符串:

title="Announcing Elasticsearch.js For Node.js And The Browser"

我想找到每个单词都正确大写的所有单词对。

所以,预期的输出应该是:

['Announcing Elasticsearch.js', 'Elasticsearch.js For', 'For Node.js', 'Node.js And', 'And The', 'The Browser']

我现在拥有的是这样的:

'[A-Z][a-z]+[\s-][A-Z][a-z.]*'

这给了我输出:

['Announcing Elasticsearch.js', 'For Node.js', 'And The']

如何更改我的正则表达式以提供所需的输出?

4

3 回答 3

2

你可以使用这个:

#!/usr/bin/python
import re

title="Announcing Elasticsearch.js For Node.js And The Browser TEst"
pattern = r'(?=((?<![A-Za-z.])[A-Z][a-z.]*[\s-][A-Z][a-z.]*))'

print re.findall(pattern, title)

“正常”模式无法匹配重叠的子字符串,所有字符都是一次性创建的。然而,前瞻(?=..)(即“跟随”)只是一个检查并且不匹配。它可以多次解析字符串。因此,如果您在前瞻中放置一个捕获组,您可以获得重叠的子字符串。

于 2013-12-17T21:02:13.410 回答
0

可能有更有效的方法来做到这一点,但你可以使用这样的正则表达式:

(\b[A-Z][a-z.-]+\b)

然后遍历捕获组,像这样使用这个正则表达式进行测试:(^[A-Z][a-z.-]+$)以确保匹配的组(当前)匹配匹配的组(下一个)。

工作示例:

import re

title = "Announcing Elasticsearch.js For Node.js And The Browser"
matchlist = []
m = re.findall(r"(\b[A-Z][a-z.-]+\b)", title)
i = 1
if m:
    for i in range(len(m)):
        if re.match(r"(^[A-Z][a-z.-]+$)", m[i - 1]) and re.match(r"(^[A-Z][a-z.-]+$)", m[i]):
            matchlist.append([m[i - 1], m[i]])

print matchlist

输出:

[
    ['Browser', 'Announcing'], 
    ['Announcing', 'Elasticsearch.js'], 
    ['Elasticsearch.js', 'For'], 
    ['For', 'Node.js'], 
    ['Node.js', 'And'], 
    ['And', 'The'], 
    ['The', 'Browser']
]
于 2013-12-17T20:49:00.927 回答
0

如果你现在的 Python 代码是这样的

title="Announcing Elasticsearch.js For Node.js And The Browser"
results = re.findall("[A-Z][a-z]+[\s-][A-Z][a-z.]*", title)

那么你的程序正在跳过奇数对。一个简单的解决方案是在跳过第一个单词后研究模式,如下所示:

m = re.match("[A-Z][a-z]+[\s-]", title)
title_without_first_word = title[m.end():]
results2 = re.findall("[A-Z][a-z]+[\s-][A-Z][a-z.]*", title_without_first_word)

现在只需将 results 和 result2 组合在一起。

于 2013-12-17T21:04:12.500 回答