问题描述
目标：
我正在寻找一种根据单词是否被引号 ' '、guillemets « » 或括号 ( ) 包围来匹配或跳过单词的方法。
预期结果示例：
-
len(re.findall("my word","blablabla 'my word' blablabla"))应该返回0因为从语言上讲my word=/='my word'因此不应该匹配； -
len(re.findall("'my word'","blablabla 'my word' blablabla"))应该返回1因为从语言上讲'my word'='my word'因此应该匹配； -
但这里有一个问题——
len(re.findall("my word","blablabla «my word» blablabla"))和len(re.findall("my word","blablabla (my word) blablabla"))都应该返回1。
我的尝试：
我可以使用以下表达式（如果我错了，请纠正我），但我对如何实现它一无所知：(?<!\w)'[^ ].*?\w*?[^ ]'
我希望让以下代码 len(re.findall(r'(?<!\w)'+re.escape(myword)+r'(?!\w)',sentence)) - 我相信其目的是去除标点符号 - 考虑到上述所有情况。
目前，我的代码检测到 my word 中的 'my word' 这不是我想要的。
提前致谢！
解决方法
我认为其中一种策略是使用 negative look-ahead 功能：
my_word = "word"
r"(?!'" + my_word + "')[^']" + "my_word"
这应该可以check here完成这项工作。
由于否定前瞻不消耗字符，为了防止匹配，您需要使用 [^'] 来确保引号 ' 不是 my_word 之前的允许字符。开始枚举字符的 ^ 正是这个意思。
如果您想扩展不应将单词计为已找到的引号列表，只需将 ' 更改为不允许使用的字符列表：
r"(?!['`]" + my_word + "['`])[^'`]my_word"
值得注意的是，@Prasanna 问题中的示例将无法使用正则表达式进行匹配。您需要使用适当的解析器 - 例如pyparsing - 处理这种情况，因为正则表达式无法处理需要两个任意数量的字符才能匹配的匹配（例如，任意数量的“a”后跟相同数量的“b”字母）并且它将无法创建具有前瞻的通用正则表达式来处理 n 个单词然后 myword 并同时跳过 n 个单词，如果它们是前面加引号）。