Je veux diviser une chaîne en utilisant J'ai essayé d'y parvenir avec le code suivant: Je m'attendais à ce que la sortie soit < / p> Cependant, j'ai obtenu qui est presque ce que je voulais, sauf qu'il y ait assez de Pourquoi est-ce que cela se comporte de cette façon et comment puis-je le changer pour obtenir ce que je veux? - , + = , == , = , + et espace blanc comme des délimiteurs. Je veux garder le délimiteur à moins que ce ne soit d'espace blanc. Aucun S et Strings vides.
5 Réponses :
Ce modèle est plus aligné avec ce que vous voulez:
\s*(\-|\+\=|\=\=|\=|\+)\s*
Cela ne cassera pas "bonjour là-bas" en deux jetons, que je crois que l'option est l'intention de l'utilisation de WhitSpace comme un délimiteur.
re.split par défaut renvoie un tableau de la Bits de chaînes qui se trouvent entre les matchs: (comme @Laurence Gonsalves Notes, c'est son utilisation principale.)
def tokenize(s):
import re
pattern = re.compile("(\-|\+\=|\=\=|\=|\+)|\s+")
return [ x for x in pattern.split(s) if x ]
Notez que le retour des bits intermédiaires est en quelque sorte le «comportement principal», analogue à str.split. La chose de capture est en quelque sorte une caractéristique supplémentaire.
Pourquoi est-ce que cela se comporte de cette façon? Selon la documentation de re.split: Si la capture de parenthèses est utilisée en motif, le texte de tous les groupes du motif est également renvoyé dans le cadre de la liste résultante.
Ceci est littéralement correct: si la capture de parenthèses est utilisée, le texte de tous les groupes est renvoyé, qu'ils soient ou non appariés; ceux qui ne correspondent rien de retour comme toujours avec Comment puis-je le changer pour obtenir ce que je veux? La solution la plus simple consiste à filtrer la sortie: < Pré> xxx
Aucun . Split , deux délimiteurs consécutifs sont considérés comme des chaînes vides séparées, de sorte que vous obtenez Les chaînes vides entrecoupées.
Essayez ceci:
def tokenize(s):
import re
pattern = re.compile("(\-|\+\=|\=\=|\=|\+)|\s+")
x = pattern.split(s)
result = []
for item in x:
if item != '' and item != None:
result.append(item)
return result
print(tokenize("hello-+==== =+ there"))
Peut-être re.findall serait plus approprié pour vous?
Une préoccupation que j'ai avec votre solution est que plus tard, je souhaite supporter plus de délimiteurs (par exemple, * , && ), et j'ai peur que le [^ - + = \ s] + une partie du motif sera plus compliqué.
Y a-t-il des règles sur les jetons qui ne sont pas des délimiteurs? Peut-être que vous pourriez utiliser, par exemple. \ w + au lieu de [^ - + = \ s] + .
Les chaînes vides sont parce que vous avez 2 caractères correspondants juste à côté de l'autre, alors lorsqu'il est séparé, ils ont un
'' entre eux. C'est un peu intuitif avec des groupes de capture dans le mélange