Python espressione regolare per dividere i paragrafi

Question

Come si potrebbe scrivere un'espressione regolare da usare in Python per dividere i paragrafi?

Un paragrafo è definito da 2 interruzioni di riga (\ n). Ma uno può avere qualsiasi quantità di spazi / tabulazioni insieme alle interruzioni di riga, e dovrebbe comunque essere considerato come un paragrafo.

Sto usando Python in modo che la soluzione possa usare la sintassi delle espressioni regolari di Python che è esteso. (può utilizzare (? P ...) roba)

Esempi:

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']

Il meglio che potrei venire è: r '[\ t \ r \ f \ v] * \ n [\ t \ r \ f \ v] * \ n [\ t \ r \ f \ v] * ', ovvero

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

ma è brutto. Qualcosa di meglio?

Modifica :

Suggerimenti respinti:

r '\ s *? \ n \ s *? \ n \ s *?' - > Ciò farebbe fallire gli esempi 2 e 3, poiché \ s include \ n , quindi consentirebbe interruzioni di paragrafo con più di 2 \ n s .

Answer 1

Sfortunatamente non c'è un bel modo di scrivere " spazio ma non una nuova riga " ;.

Penso che il meglio che puoi fare sia aggiungere un po 'di spazio con il modificatore x e provare a scomporre un po' la bruttezza, ma questo è discutibile: (? x) (?: [ \ t \ r \ f \ v] *? \ n) {2} [\ t \ r \ f \ v] *?

Potresti anche provare a creare una sottoregola solo per la classe di caratteri e ad interpolarla tre volte.

Answer 2

Stai cercando di dedurre la struttura di un documento in prova semplice? Stai facendo ciò che docutils fa?

Potresti semplicemente utilizzare il Docutils parser piuttosto che rollare il tuo.

Answer 3

Non è una regexp ma davvero elegante:

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'

Spetta a te eliminare l'output di cui hai bisogno, ovviamente.

Ispirato al famoso " Python Cookbook " ; -)

Answer 4

Quasi lo stesso, ma usando quantificatori non avidi e sfruttando la sequenza degli spazi bianchi.

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