用于选择以包含数字的标记开头的短语的正则表达式

Question

我有这样的文字：

text = 'this is a sentence, it has 1 number in it, and another one 123 here. we want to select n8m3r1c-aa words and phrases - until the punctuation. this is some phr4se!1 with text.'

我的目标是 select 个片段，从任何 token/word 开始，其中有一个数字，前面有一个 space。选择应该发生在找到下一个标点符号之前，而不是标记内的标点符号。

预期输出：

1 number in it
123 here
n8m3r1c-aa words and phrases
phr4se!1 with text

我目前的做法：

re.findall(r'\s(\d.+?)[.,!]', text)

但这只能找到：

1 number in it
123 here

我有点卡住了 selection 在不仅以数字开头而且还包含数字的标记处开始。感谢任何帮助和建议！

Answer 1

您尝试的模式得到 2 个匹配项，因为它以 \s(\d 开头，这意味着它应该以数字开头。

您可以使用 [^\s\d]*\d\S* 来匹配可选的空白字符直到第一个数字，并且可以选择匹配后面的非空白字符。

(?<!\S)[^\s\d]*\d\S*.*?(?=[.,!-])

部分

(?<!\S) 断言空白边界在左边
[^\s\d]* 匹配除空白字符或数字以外的任何字符
\d匹配一个数字
\S* 匹配 0+ 次非空白字符（“单词”的其余部分）
.*? 尽可能匹配除换行符外的任何字符
(?=[.,!-]) 正面前瞻，断言右边是任何列出的字符

Regex demo

如果开头应该有一个空白字符，您还可以使用捕获组并匹配前后的内容：

\s([^\s\d]*\d\S*.*?)[.,!-]

Regex demo

用于选择以包含数字的标记开头的短语的正则表达式

Regex for selecting a phrase starting with tokens containing digits

regex

regex-lookarounds

python-re