如何用Python或Regex实现didn't后至标点前词添加NOT_的分词处理

嘿，这个需求用Python正则配合回调函数就能轻松搞定，我给你拆解下思路和具体代码：

核心逻辑分两步走：

1. 精准定位didn't到下一个标点符号之间的文本片段
2. 对这个片段里的每个单词前缀添加NOT_

import re

def add_not_prefix(match):
    # 提取匹配到的三个分组：didn't、中间待处理文本、结尾标点
    didnt_part = match.group(1)
    content = match.group(2)
    punctuation = match.group(3)
    
    # 把中间文本里的每个单词替换成NOT_开头的形式
    processed_content = re.sub(r'\b(\w+)\b', r'NOT_\1', content)
    
    # 拼接回完整的片段
    return f"{didnt_part}{processed_content}{punctuation}"

# 测试句子
original_sentence = "I didn't like that SO question, but I like pizza!"
processed_sentence = re.sub(r"(didn't)([^.,!?]+)([.,!?])", add_not_prefix, original_sentence)

print(processed_sentence)
# 输出结果：I didn't NOT_like NOT_that NOT_SO NOT_question, but I like pizza!

• 外层正则r"(didn't)([^.,!?]+)([.,!?])"：
  • (didn't)：精准匹配目标短语，作为第一组保留原内容
  • ([^.,!?]+)：匹配除了, . ! ?之外的所有字符，也就是didn't到下一个标点之间的待处理内容，作为第二组
  • ([.,!?])：匹配后续的标点符号，作为第三组保留原内容
• 回调函数add_not_prefix：
  • 用内层正则r'\b(\w+)\b'匹配第二组里的每个独立单词（\b是单词边界，\w+匹配字母数字组成的单词）
  • 把每个匹配到的单词替换成NOT_\1（\1指代匹配到的原单词内容）
• 适配扩展：如果需要支持更多标点（比如分号、冒号），只需要修改正则里的标点集合，比如改成[^.,!?;:]+和[.,!?;:]即可；如果句子里有多个didn't，代码也能自动处理每一处匹配。

内容的提问来源于stack exchange，提问作者ℕʘʘḆḽḘ