将字符串拆分为单词和标点符号

问题描述：

我正在尝试将字符串拆分成单词和标点符号，并将标点符号添加到拆分生成的列表中。

例如：

>>> c = "help, me"
>>> print c.split()
['help,', 'me']

我真正想要的列表是这样的：

['help', ',', 'me']

所以，我希望将字符串在空格处分割，并将标点符号与单词分割开。

我尝试先解析字符串，然后运行拆分：

>>> for character in c:
...     if character in ".,;!?":
...             outputCharacter = " %s" % character
...     else:
...             outputCharacter = character
...     separatedPunctuation += outputCharacter
>>> print separatedPunctuation
help , me
>>> print separatedPunctuation.split()
['help', ',', 'me']

这产生了我想要的结果，但是对于大文件来说速度非常慢。

有没有办法更有效地做到这一点？

解决方案 1：

这或多或少是这样做的方法：

>>> import re
>>> re.findall(r"[w']+|[.,!?;]", "Hello, I'm a string!")
['Hello', ',', "I'm", 'a', 'string', '!']

诀窍在于，不要考虑在哪里分割字符串，而是考虑在标记中包含什么。

注意事项：

• 下划线 (_) 被视为单词内部字符。如果您不想这样，请替换 \w。

• 这对于字符串中的（单）引号不起作用。

• 将您想要使用的任何其他标点符号放在正则表达式的右半部分。

• 其中未明确提及的任何内容都会被默默删除。

解决方案 2：

这是一个支持 Unicode 的版本：

re.findall(r"w+|[^ws]", text, re.UNICODE)

第一个替代方案捕获单词字符序列（由unicode定义，因此“résumé”不会变成['r', 'sum']）；第二个替代方案捕获单个非单词字符，忽略空格。

请注意，与最佳答案不同，这将单引号视为单独的标点符号（例如 "I'm" -> ['I', "'", 'm']）。这似乎是 NLP 中的标准，所以我认为它是一个功能。

解决方案 3：

如果您要使用英语（或其他一些常用语言）工作，您可以使用NLTK（还有许多其他工具可以做到这一点，例如FreeLing）。

import nltk
nltk.download('punkt')
sentence = "help, me"
nltk.word_tokenize(sentence)

解决方案 4：

这是我的参赛作品。

我怀疑这在效率方面能否保持良好，或者它是否能涵盖所有情况（请注意“!!!”组合在一起；这可能是也可能不是一件好事）。

>>> import re
>>> import string
>>> s = "Helo, my name is Joe! and i live!!! in a button; factory:"
>>> l = [item for item in map(string.strip, re.split("(W+)", s)) if len(item) > 0]
>>> l
['Helo', ',', 'my', 'name', 'is', 'Joe', '!', 'and', 'i', 'live', '!!!', 'in', 'a', 'button', ';', 'factory', ':']
>>>

如果您要逐行执行此操作，一个明显的优化就是预先编译正则表达式（使用 re.compile）。

解决方案 5：

这对我有用

import re

i = 'Sandra went to the hallway.!!'
l = re.split('(W+?)', i)
print(l)

empty = ['', ' ']
l = [el for el in l if el not in empty]
print(l)

Output:
['Sandra', ' ', 'went', ' ', 'to', ' ', 'the', ' ', 'hallway', '.', '', '!', '', '!', '']
['Sandra', 'went', 'to', 'the', 'hallway', '.', '!', '!']

解决方案 6：

这是对您的实现的一个小更新。如果您尝试做任何更详细的事，我建议您查看 le dorfier 建议的 NLTK。

这可能只会快一点，因为使用 ''.join() 代替 +=，而已知后者更快。

import string

d = "Hello, I'm a string!"

result = []
word = ''

for char in d:
    if char not in string.whitespace:
        if char not in string.ascii_letters + "'":
            if word:
                    result.append(word)
            result.append(char)
            word = ''
        else:
            word = ''.join([word,char])

    else:
        if word:
            result.append(word)
            word = ''
print result
['Hello', ',', "I'm", 'a', 'string', '!']

解决方案 7：

我想出了一种方法来标记所有单词和W+模式，不需要硬编码：

>>> import re
>>> sentence = 'Hello, world!'
>>> tokens = [t.strip() for t in re.findall(r'.*?S.*?(?:|$)', sentence)]
['Hello', ',', 'world', '!']

这.*?S.*?是一个模式，匹配任何非空格的内容，$如果它是标点符号，则添加以匹配字符串中的最后一个标记。

但请注意以下几点——这将对由多个符号组成的标点符号进行分组：

>>> print [t.strip() for t in re.findall(r'.*?S.*?(?:|$)', '"Oh no", she said')]
['Oh', 'no', '",', 'she', 'said']

当然，你可以使用以下方法查找并拆分此类组：

>>> for token in [t.strip() for t in re.findall(r'.*?S.*?(?:|$)', '"You can", she said')]:
...     print re.findall(r'(?:w+|W)', token)

['You']
['can']
['"', ',']
['she']
['said']

解决方案 8：

尝试一下：

string_big = "One of Python's coolest features is the string format operator  This operator is unique to strings"
my_list =[]
x = len(string_big)
poistion_ofspace = 0
while poistion_ofspace < x:
    for i in range(poistion_ofspace,x):
        if string_big[i] == ' ':
            break
        else:
            continue
    print string_big[poistion_ofspace:(i+1)]
    my_list.append(string_big[poistion_ofspace:(i+1)])
    poistion_ofspace = i+1

print my_list

解决方案 9：

如果您不被允许导入任何东西，请使用这个！

word = "Hello,there"
word = word.replace("," , " ," )
word = word.replace("." , " .")
return word.split()