正则表达式匹配任何由字母、数字和撇号组成的字符串。但排除下划线

Question

我正在拼命寻找Python中的正则表达式，仅使用

re

库。该表达式应将文本分成由任何语言的字母、数字和撇号组成的单个字符串。

例如：

• "Test, this is a String 123!"

  应该是：

  ["Test", "this", "is", "a", "String", "123"]

• "λάκιäsañ"

  应该是：

  ["λάκιäsañ"]

• "not_underscores"

  应该是：

  ["not", "underscores"]

到目前为止我尝试过：

[\w\']+

这是一个类似

"included_Underscores"

的字符串，未分为

"included"

"underscores"

。

([^\W_]+(?:\')*)

这里是所有应该被识别的内容，但是

"'"

之后的字符被分开了

([\w\'](?<=[^_]))+

这里，单词的最后一个字符被分隔开

Answer 1

怎么样

import re


def splitIt(line: str) -> list[str]:
    line = re.sub(r"[_]", " ", line)
    line = re.sub(r"[^\w']+$", "", line)
    line = re.sub(r"^[^\w']+", "", line)
    res = re.split(r"[^\w']+", line)
    return res


assert splitIt("Test, this is a String 123") == [
    "Test",
    "this",
    "is",
    "a",
    "String",
    "123",
]

assert splitIt("asdf λάκιäsañ 123") == [
    "asdf",
    "λάκιäsañ",
    "123",
]

assert splitIt("not_underscores") == [
    "not",
    "underscores",
]


assert splitIt("not' underscores") == [
    "not'",
    "underscores",
]

Answer 2

\w

包含下划线。如果您想要不同的定义，则需要将其拼写出来。幸运的是，在这种情况下，很容易定义由任何非

\w

、非下划线字符或撇号组成的补语。

re.findall(r"(?:[^\W_]|')+", text)

演示：

>>> import re
>>> re.findall(r"(?:[^\W_]|')+", "Test, this is a String 123!")
['Test', 'this', 'is', 'a', 'String', '123']
>>> re.findall(r"(?:[^\W_]|')+", "λάκιäsañ")
['λάκιäsañ']
>>> re.findall(r"(?:[^\W_]|')+", "not_underscores")
['not', 'underscores']
>>> re.findall(r"(?:[^\W_]|')+", "don't worry, be happy")
["Don't", 'worry', 'be', 'happy']

一个明显的缺点是字符串周围的单引号也会被包含在内。

>>> re.findall(r"(?:[^\W_]|')+", "'scare quotes' are scary")
["'scare", "quotes'", 'are', 'scary']

有时它们也是单词的正确组成部分。

>>> re.findall(r"(?:[^\W_]|')+", "vi flytt' int'")
['vi', "flytt'", "int'"]