如何用Python正则捕获含缩写的重叠双词序列？及模式调整方案

嘿，很高兴帮你解决这两个正则相关的问题！

要捕获文本中包含缩写（比如can't、won't这类带撇号的形式）的重叠双词序列，关键要解决两个核心点：一是正确定义能识别缩写的“词”，二是实现重叠匹配（也就是滑动窗口式的连续双词，比如one can't之后紧接着匹配can't two）。

这里给出一个实用的正则方案：

import re

text = "one can't two won't three"
# 正则逻辑拆解：
# - (?=...) 正向预查：不消耗字符，实现重叠匹配的核心
# - (?:^|(?<=\s)) 确保词的开头是字符串起始或空白，避免从词内部开始匹配
# - [\w\'’-]+ 匹配包含字母、撇号、连字符的词，覆盖缩写和带连字符的词
# - (?:(?=\s)|(?=$)) 确保词的结尾是空白或字符串结束，避免匹配词的一部分
pattern = r'(?=((?:^|(?<=\s))[\w\'’-]+ [\w\'’-]+(?:(?=\s)|(?=$))))'
matches = re.findall(pattern, text)
print(matches)
# 输出: ["one can't", "can't two", "two won't", "won't three"]

核心思路：

• 用正向预查(?=...)实现重叠：普通正则匹配会消耗字符，导致无法捕获重叠的序列，而预查只是检查后续内容是否符合，不会移动匹配指针，所以能逐个位置滑动检查。
• 自定义词的边界：用(?:^|(?<=\s))和(?:(?=\s)|(?=$))替代原生的\b，避免\b在缩写内部（比如can't里的'和t之间）误触发匹配。
• 词的匹配范围：[\w\'’-]+覆盖了常见的缩写（带撇号）、普通单词，以及带连字符的词（比如mother-in-law）。

先分析你给出的代码问题：原正则里的\b（单词边界）是导致错误输出的根源。因为\b的定义是\w（字母/数字/下划线）和非\w字符的边界，而缩写里的'属于非\w，所以can't内部会出现两个\b（n和'之间、'和t之间）。这导致正则会在'后面的位置尝试匹配，把t当成一个独立的词，从而出现t two、t three这类错误结果。

调整后的正则方案 #

只需要把原生的\b替换为基于空白/字符串首尾的自定义边界，就能避免内部误匹配：

from re import findall
s= '''one can't two won't three'''
# 调整后的正则：用空白/首尾限定词的边界，避免内部误匹配
pat = r'(?=((?:(?<=^)|(?<=\s))[\w\'’-]+ [\w\'’-]+(?:(?=\s)|(?=$))))'
s2 = findall(pat, s)
print(s2)
# 期望输出: ["one can't", "can't two", "two won't", "won't three"]

调整细节解释： #

• (?:(?<=^)|(?<=\s))：确保当前位置的前一个字符是字符串开头或者空白，这样就不会从can't里的'后面开始匹配（因为'不是空白）。
• (?:(?=\s)|(?=$))：确保当前位置的后一个字符是空白或者字符串结尾，避免把词的一部分当成完整词。
• 保留[\w\'’-]+：确保能正确匹配带撇号、连字符的缩写和单词。

内容的提问来源于stack exchange，提问作者Nicholas Nickleby