Python 使用正则表达式拆分字符串

我的任务是使用正则表达式对语料库中的单词进行标记，但我在标记缩写词（如“e.g.”或“I.e.”）时遇到了困难。特别是，我正在查看的语料库中出现的一个出现在

'（注意--I'

string = '(N.B.--I'
pattern = r'(\w\.){2,}'
split_p = r'((\w\.){2,})'

match = re.search(pattern, string)
print(match)

split = re.split(split_p, string)
print(split)

['（'，'N.B.，'-'，'I']

是所需的输出列表拆分，但是当我运行它时

<_sre.SRE_Match object; span=(1, 5), match='N.B.'>
['(', 'N.B.', 'B.', '--I']

['（'，'N.B.，'B.，'-I']

我相信我可以用|-+

但是，我不明白为什么这个B.会重复

分割包括所有捕获组。使用

（？：…）

围绕

\w子模式创建一个非捕获组。

取而代之：

split_p = r'((?:\w\.){2,})'

演示：

接下来，如果要在重复的破折号上拆分，只需使用

|

添加一个替代模式：

split_p = r'((?:\w\.){2,}|-+)'

演示：

---

这会在这两者之间产生一个空字符串，因为在

N.B.

拆分点和

--

点之间有0个字符；您必须再次过滤掉这些字符。

OP说：['（'，'N.B.，'-'，'I']是理想的吗output@RomanPerekhrest：当然，但他们主要问我不明白为什么这个B.会重复。@RomanPerekhrest:他们没有指定任何令牌规则来详细说明如何从

--

中拆分

-

。这只是问题的一部分。如何生成所需的输出？@RomanPerekhrest:我们无法回答这个问题没有澄清的部分；我已经对这个问题进行了评论。

--

和

I

应该按照什么规则分割？你的分割模式只涉及重复的单词字符后跟一个

点。我们是否应该认为

--I

分割超出了这个问题的范围？

split_p = r'((?:\w\.){2,}|-+)'

>>> split_p = r'((?:\w\.){2,}|-+)'
>>> re.split(split_p, string)
['(', 'N.B.', '', '--', 'I']