如何用Python拆分含行内、块级公式的LaTeX字符串并保留顺序

核心思路 #

用正则表达式按优先级匹配块级公式、行内公式、普通文本，提取所有非空匹配结果即可保留原有顺序，匹配优先级设置如下：

• 优先匹配$$包裹的块级公式，避免被误识别为两个行内公式
• 其次匹配$包裹的行内公式
• 最后匹配不含$的普通文本片段

实现代码 #

import re

def split_latex_content(s):
    # 正则模式：非贪婪匹配避免跨公式越界，re.DOTALL支持匹配换行符
    pattern = r'\$\$(.*?)\$\$|\$(.*?)\$|([^$]+)'
    matches = re.findall(pattern, s, re.DOTALL)
    # 过滤空分组，提取有效内容
    result = [item for group in matches for item in group if item]
    # 如果你需要把普通文本按空格拆分为独立单词，可替换为下方代码
    # result = []
    # for group in matches:
    #     for item in group:
    #         if item:
    #             if '$' not in item: # 普通文本按空格拆分
    #                 result.extend([i for i in item.split(' ') if i])
    #             else:
    #                 result.append(item)
    return result

# 测试示例
test_str = 'Functions $f(x)$ and $g(x)$ is related as $$f(x)-g(x)=h(x)$$'
print(split_latex_content(test_str))

运行后默认输出结果为：

['Functions ', 'f(x)', ' and ', 'g(x)', ' is related as ', 'f(x)-g(x)=h(x)']

打开注释的普通文本拆分逻辑后，即可得到你示例中要求的单词独立拆分的结果。

兼容场景说明 #

如果需要处理LaTeX中存在转义\$的业务场景，只需把正则模式调整为r'(?<!\\)\$\$(.*?)(?<!\\)\$\$|(?<!\\)\$(.*?)(?<!\\)\$|((?:[^$]|\\\$)+)'，即可识别转义的美元符号，不会误判为公式边界。

内容的提问来源于stack exchange，提问作者Physics Futuring