如何用Python正则捕获符合起止规则的子串并重构字符串

需求说明 #

需要处理输入字符串，完成以下操作：

• 将所有以list_all_adverbs_of_place列表内的地点副词开头的子串，封装为((PL_ADVB)文本)格式（开头的地点副词需包含在内）
• 捕获终止条件满足以下任一即可：
  • 遇到((NOUN)任意文本)模式
  • 遇到list_limiting_elements列表中的任意元素
  • 捕获文本内出现第二个地点副词时，以该副词作为结束边界
• 通过re.sub()实现字符串重构，忽略大小写匹配

解决方案代码 #

import re

# 输入字符串
capture_where_capsule = "alrededor ((NOUN)del auto rojizo, algo grande y completamente veloz). Luego dentro del baúl rápidamente abajo de una caja por sobre ello vimos una caña."

# 地点副词列表（触发捕获的起始词）
list_all_adverbs_of_place = ["adentro", "dentro", "al rededor", "alrededor", "abajo", "hacía", "hacia", "por sobre", "sobre"]

# NOUN模式
descriptive_noun_pattern = r"\(\(NOUN\)[\w,;.\s]+\)"

# 各类限制元素列表
list_verbs = ["vimos", "hemos visto", "encontramos", "hemos encontrado"]
list_adverbs_of_manner = ["rápidamente", "rapidamente", "intensamente", "gradualmente", "completamente"]
list_adverbs_of_time = ["durante", "luego", "ahora", "mientras tanto"]
list_limitant_words = ["a las", "a los", "a la", "a el", "a los", "a las", "a mí", "a mi", "a sus", "a su", "a él", "a ella", "talvez", "tal vez", "tal", "al", "los", "las", "él", "el", "la", "cómo", "como" , "con", "en su", "en mi", "en", ".", ":", ";", ",", "(", ")", "[", "]", "¿", "?", "¡", "!", "&", "="]

# 合并所有终止触发元素
list_limiting_elements = list_verbs + list_adverbs_of_manner + list_adverbs_of_time + list_limitant_words

# 对地点副词按长度降序排序，确保多词副词优先匹配（比如先匹配"por sobre"而非"sobre"）
sorted_adverbs = sorted(list_all_adverbs_of_place, key=lambda x: -len(x))
# 转义副词中的特殊字符，构建匹配起始部分的正则
adv_pattern = re.compile(r'|'.join(re.escape(adv) for adv in sorted_adverbs), re.IGNORECASE)

# 构建终止条件的正则：正向预查，匹配三种终止情况
# 1. 另一个地点副词 2. NOUN模式 3. 限制元素（转义特殊字符）
escaped_limiting = [re.escape(item) for item in list_limiting_elements]
termination_pattern = r'(?=(?:{}|{}|{}))'.format(
    adv_pattern.pattern,
    descriptive_noun_pattern,
    '|'.join(escaped_limiting)
)

# 完整匹配模式：地点副词开头，匹配任意字符直到终止条件（非贪婪模式）
full_pattern = re.compile(r'({})(.*?)(?=\s+{}|$)'.format(adv_pattern.pattern, termination_pattern), re.IGNORECASE | re.DOTALL)

# 执行替换，将匹配到的内容封装为((PL_ADVB)...)格式
result = full_pattern.sub(r'((PL_ADVB)\g<0>)', capture_where_capsule)

# 输出结果
print(repr(result))

输出结果 #

"((PL_ADVB)alrededor ((NOUN)del auto rojizo, algo grande y completamente veloz)). Luego ((PL_ADVB)dentro del baúl) rápidamente ((PL_ADVB)abajo de una caja) ((PL_ADVB)por sobre ello) vimos una caña."

内容的提问来源于stack exchange，提问作者Matt095