正则表达式不匹配带括号的字符串\t

Question

我正在使用这段代码使用正则表达式拆分字符串

suffixes = "(adj\.|adv\.|pron\.|num\.|num\.-m|conj\.|part\.|aux\.|prep\.|n\.|v\.|m\.)"
regex = f'^(\w+?)((?:{suffixes}) .*)$'
result = re.sub(regex, "\1#\2", re.escape(word), re.UNICODE).split("#")

该代码适用于我拥有的几乎所有字符串，但我面临着这两个字符串的问题：'qiān\tnum。千'和'jiànm。（用于衣服和其他物品）片'。似乎模式不匹配，我认为是因为特殊字符\t和（）。

我的预期结果['qiān\t'，'no。千']和['jiàn'，'m.（用于衣服和其他物品）片']。

Answer 1

将\t视为re。docs表示Unicode（str）模式的\w

匹配Unicode单词字符；这包括可以作为任何语言中单词的一部分的大多数字符，以及数字和下划线。如果使用ASCII标志，则仅匹配[a-zA-Z0-9_]。

\t不是可以作为word一部分的字符。所以你需要添加它。尝试替换（\w？） 使用（[\t\w]？）

Answer 2

我相信你的数据是通过某种API损坏的。轻松修复：如果您不希望传入字符串中出现和选项卡，请将所有选项卡替换为t。

使用

import re
suffixes = r"(?:adj\.|adv\.|pron\.|num\.|num\.-m|conj\.|part\.|aux\.|prep\.|n\.|v\.|m\.)"
regex = fr'^(\w+?)((?:{suffixes}) .*)$'

for sentence in ['qiān\tnum. thousand', 'jiànm. (used for clothes among other items) piece']:
  result = re.search(regex, sentence.replace('\t', 't'))
  if result:
    print(result.groups())

请参阅Python代码。

结果：

('qiānt', 'num. thousand')
('jiàn', 'm. (used for clothes among other items) piece')