如何用Python正则按'y '或'y)'拆分并重组((PERS))标签内容

需求说明 #

需要对((PERS))标签内的内容进行拆分：

• 当标签内存在“y ”或“y)”时，将“y”或“y ”移出标签
• 剩余内容分别放入独立的((PERS))标签中

尝试的代码 #

import re

# 示例1
input_text = "((PERS) Marcos Sy y) ((PERS) Lucy) estuvieron ((VERB) jugando) sdds"
# 示例2
# input_text = "ashsahghgsa ((PERS) María y Rosa ds) son alumnas de esa escuela y juegan juntas"

input_text = re.sub(
                    r"\(\(PERS\)" + r"((?:\w\s*)+(?:\sy\s(?:\w\s*)+)+)(?=\s*y\s*(?:\)|\())",
                    lambda m: (f"((PERS)){m[1].replace(' y', ') y ((PERS)')}"),
                    input_text, re.IGNORECASE)

print(input_text)

期望输出 #

# 示例1输出
"((PERS) Marcos Sy) y ((PERS) Lucy) estuvieron ((VERB) jugando) sdds"

# 示例2输出
"ashsahghgsa ((PERS) María) y ((PERS) Rosa ds) son alumnas de esa escuela y juegan juntas"

解决方案 #

通过两个正则替换步骤覆盖两种场景：

import re

def split_pers_tags(text):
    # 处理标签内用y分隔的人名（如 ((PERS) A y B) → ((PERS) A) y ((PERS) B)）
    text = re.sub(r'\(\(PERS\)\s*(.*?)\s*y\s*(.*?)\s*\)', 
                  r'((PERS) \1) y ((PERS) \2)', 
                  text, 
                  flags=re.IGNORECASE)
    # 处理标签末尾带y，后续紧跟另一个((PERS))标签的情况（如 ((PERS) A y) ((PERS) B) → ((PERS) A) y ((PERS) B)）
    text = re.sub(r'\(\(PERS\)\s*(.*?)\s*y\s*\)\s*\(\(PERS\)\s*(.*?)\s*\)', 
                  r'((PERS) \1) y ((PERS) \2)', 
                  text, 
                  flags=re.IGNORECASE)
    return text

# 测试示例1
input1 = "((PERS) Marcos Sy y) ((PERS) Lucy) estuvieron ((VERB) jugando) sdds"
print(split_pers_tags(input1))

# 测试示例2
input2 = "ashsahghgsa ((PERS) María y Rosa ds) son alumnas de esa escuela y juegan juntas"
print(split_pers_tags(input2))

运行结果 #

((PERS) Marcos Sy) y ((PERS) Lucy) estuvieron ((VERB) jugando) sdds
ashsahghgsa ((PERS) María) y ((PERS) Rosa ds) son alumnas de esa escuela y juegan juntas

正则说明 #

1. 第一个正则：匹配((PERS) 内容1 y 内容2 )的结构，将其替换为((PERS) 内容1) y ((PERS) 内容2)
2. 第二个正则：匹配((PERS) 内容 y ) ((PERS) 内容2 )的结构，将其替换为((PERS) 内容) y ((PERS) 内容2)

内容的提问来源于stack exchange，提问作者Matt095