Python中按双条件拆分字符串：提取书名与作者（含括号处理）

原始输入文本 #

my_text = """
    My favorites books of all time are:
    Harry potter by JK Rowling,
    Dune (first book) by Frank Herbert;
    and Le Petit Prince by Antoine de Saint Exupery (I read it many times).
"""

期望输出 #

output = [
    ['Harry Potter', 'JK Rowling'],
    ['Dune (first book)', 'Frank Herbert'],
    ['and Le Petit Prince', 'Antoine de Saint Exupery']
]

常规方法的痛点 #

常规拆分法（先按非ASCII字符拆分，再筛选含"by"的片段拆分）无法区分书名内的括号和作者后的括号：要么误删书名里的括号内容，要么无法正确截断作者后面的附加注释。

正则表达式方案 #

直接用re.findall通过正则匹配一次性提取目标内容，无需多次拆分：

正则模式

([\w\s\(\)]+?)\s+by\s+([\w\s]+?)(?=[,\.;\(]|$)

模式解释

• ([\w\s\(\)]+?)：匹配书名，允许字母、空格、括号，非贪婪模式避免过度匹配后续内容
• \s+by\s+：匹配分隔符"by"，前后兼容任意数量空格，适配文本排版差异
• ([\w\s]+?)：匹配作者名，允许字母和空格，非贪婪模式控制匹配范围
• (?=[,\.;\(]|$)：正向预查断言，当作者名后遇到逗号、分号、句号、左括号或字符串结尾时停止匹配，精准截断附加内容

Python代码实现 #

import re

my_text = """
    My favorites books of all time are:
    Harry potter by JK Rowling,
    Dune (first book) by Frank Herbert;
    and Le Petit Prince by Antoine de Saint Exupery (I read it many times).
"""

# 定义正则模式
pattern = r'([\w\s\(\)]+?)\s+by\s+([\w\s]+?)(?=[,\.;\(]|$)'
# 提取所有匹配项
matches = re.findall(pattern, my_text)

# 按需格式化（若不需要首字母大写，直接用matches即可）
formatted_result = []
for title, author in matches:
    formatted_title = title.strip()
    # 如果需要首字母大写，替换成 formatted_title = title.strip().title()
    formatted_result.append([formatted_title, author.strip()])

print(formatted_result)

运行结果 #

[
    ['Harry potter', 'JK Rowling'],
    ['Dune (first book)', 'Frank Herbert'],
    ['and Le Petit Prince', 'Antoine de Saint Exupery']
]

内容的提问来源于stack exchange，提问作者Vincent