Python Split-String und behalten Trennzeichen als ein Wort

Question

Ich versuche, eine Zeichenfolge mit mehreren Trennzeichen zu teilen. Ich muss die Trennzeichen als Worte behalten. Die Trennzeichen, die ich verwende, sind: alle Interpunktionszeichen und das Leerzeichen.

Zum Beispiel die Zeichenfolge:

Je suis, FOU et toi ?! 

Sollte produzieren:

'Je' 
'suis' 
',' 
'FOU' 
'et' 
'toi' 
'?' 
'!' 

schrieb ich:

class Parser : 
    def __init__(self) : 
     """Empty constructor""" 

    def read(self, file_name) : 
     from string import punctuation 
     with open(file_name, 'r') as file : 
      for line in file : 
       for word in line.split() : 
        r = re.compile(r'[\s{}]+'.format(re.escape(punctuation))) 
        print(r.split(word)) 

Aber das Ergebnis, das ich habe ist:

['Je'] 
['suis', ''] 
['FOU'] 
['et'] 
['toi'] 
['', ''] 

Die Aufteilung scheint korrekt zu sein, aber die Ergebnisliste enthält die Begrenzer nicht :(

Answer 1

Sie müssen Ihren Ausdruck in eine Gruppe für re.split() setzen, um es zu bewahren. Ich würde mich nicht zuerst auf Whitespaces verteilen. Sie können immer nur Whitespace-Strings entfernen. Wenn Sie jedes Satzzeichen trennen wollen dann sollten Sie die + quantifier auf der \s Leerzeichen Gruppe verwenden nur:

# do this just once, not in a loop 
pattern = re.compile(r'(\s+|[{}])'.format(re.escape(punctuation))) 

# for each line 
parts = [part for part in pattern.split(line) if part.strip()] 

Die Liste Verständnis entfernt alles, was nur aus Leerzeichen besteht:

>>> import re 
>>> from string import punctuation 
>>> line = 'Je suis, FOU et toi ?!' 
>>> pattern = re.compile(r'(\s+|[{}])'.format(re.escape(punctuation))) 
>>> pattern.split(line) 
['Je', ' ', 'suis', ',', '', ' ', 'FOU', ' ', 'et', ' ', 'toi', ' ', '', '?', '', '!', ''] 
>>> [part for part in pattern.split(line) if part.strip()] 
['Je', 'suis', ',', 'FOU', 'et', 'toi', '?', '!'] 

Statt Split, können Sie auch re.findall() verwenden, um alle Wörter oder Interpunktionssequenzen zu finden:

pattern = re.compile(r'\w+|[{}]'.format(re.escape(punctuation))) 

parts = pattern.findall(line) 

Dies hat den Vorteil, dass Sie nicht brauchen, um herauszufiltern Leerzeichen:

>>> pattern = re.compile(r'\w+|[{}]'.format(re.escape(punctuation))) 
>>> pattern.findall(line) 
['Je', 'suis', ',', 'FOU', 'et', 'toi', '?', '!']