python正则表达式来分割段落

Question

如何编写一个在python中使用的正则表达式来分割段落？

段落由2个换行符（\ n）定义。但是可以将任意数量的空格/制表符与换行符放在一起，并且它仍然应该被视为段落。

我正在使用python，所以解决方案可以使用python的正则表达式语法这是扩展的。 （可以使用（？P ...）东西）

示例：

the_str = 'paragraph1\n\nparagraph2'
# splitting should yield ['paragraph1', 'paragraph2']

the_str = 'p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp3'
# should yield ['p1', 'p2\t\n\tstill p2', 'p3']

the_str = 'p1\n\n\n\tp2'
# should yield ['p1', '\n\tp2']

我能得到的最好的是： r'[\ t \ r \ f \ v] * \ n [\ t \ r \ f \ v] * \ n [\ t \ r \ f \ v] *'，即

import re
paragraphs = re.split(r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*', the_str)

但这很难看。还有什么更好的吗？

修改：

建议被拒绝：

r'\ s *？\ n \ s *？\ n \ s *？' - ＆gt;这会使示例2和3失败，因为 \ s 包含 \ n ，因此它允许超过2 \ n s的分段符

Answer 1

不幸的是，没有很好的方法来编写“空格而不是换行符”。

我认为你能做的最好的事情就是用 x 修饰符添加一些空间并尝试稍微分解一下丑陋，但这是有问题的：（？x）（？：[ \ t \ r \ n \ f \ v] *？\ n）{2} [\ t \ r \ t \ v] *？

您也可以尝试为字符类创建一个子规则并将其插值三次。

Answer 2

您是否尝试在普通测试中推断出文档的结构？你在做什么 docutils 吗？

您可以简单地使用 Docutils解析器而不是自己动手。

Answer 3

不是正则表达式，而是非常优雅：

from itertools import groupby

def paragraph(lines) :
    for group_separator, line_iteration in groupby(lines.splitlines(True), key = str.isspace) :
        if not group_separator :
            yield ''.join(line_iteration)

for p in paragraph('p1\n\t\np2\t\n\tstill p2\t   \n     \n\tp'): 
    print repr(p)

'p1\n'
'p2\t\n\tstill p2\t   \n'
'\tp3'

您可以根据需要剥离输出。

受到着名的“Python Cookbook”的启发; - ）

Answer 4

几乎相同，但使用非贪婪量词并利用空白序列。

\s*?\n\s*?\n\s*?