如何在Python中使用正则表达式分割文本？附文本样本

嘿，这就来教你在Python里用正则表达式分割文本，结合你给的那段议会发言文本，我给你几个实用的场景和例子！

首先，Python里处理正则的核心模块是re，分割文本主要用re.split()函数，下面一步步来：

1. 基础分割：拆分说话人与发言内容 #

你的文本里有特里施勒博士（FDP）：女士们，先生们！这样的结构，想把说话人和发言内容分开，直接按冒号：分割就行，记得限制分割次数避免内容里的标点干扰：

import re

# 你的样本文本
text = "特里施勒博士（FDP）：女士们，先生们！首先，作为议会中的难民代表之一，我想表达我的喜悦——所有党派均提出了缓解难民困境的提案，政府与反对派似乎一致认为这是一个共性问题，我们必须携手合作。因为我知道，……"

# 只分割1次，确保说话人和内容不被拆分过度
split_result = re.split(r'：', text, maxsplit=1)
speaker = split_result[0].strip()
speech_content = split_result[1].strip()

print(f"说话人：{speaker}")
print(f"发言内容：{speech_content}")

2. 按句子分割：处理中文标点 #

如果想把整段发言拆成单个句子，针对中文里的句号、感叹号、省略号，用字符集匹配就能实现：

# 匹配中文句子结尾的标点：。！……
sentences = re.split(r'[。！……]', text)
# 过滤分割后产生的空字符串，让结果更干净
clean_sentences = [s.strip() for s in sentences if s.strip()]

for idx, sentence in enumerate(clean_sentences, 1):
    print(f"第{idx}句：{sentence}")

3. 进阶：分割多说话人的发言 #

如果你的完整文本里有多个议员发言（格式类似XX（党派）：内容），可以用正向断言精准分割，还不会丢失说话人标识：

# 假设完整文本包含多个说话人
multi_speaker_text = "特里施勒博士（FDP）：女士们，先生们！…… 穆勒议员（CDU）：我完全同意特里施勒博士的观点，我们需要跨党派协作……"

# 用后发断言匹配"）："作为分割点，保留分割符在片段中
speech_segments = re.split(r'(?<=[）]：)', multi_speaker_text)

# 整理每个说话人的内容
for segment in speech_segments:
    if segment.strip():
        speaker_info, content = re.split(r'：', segment.strip(), maxsplit=1)
        print(f"【{speaker_info}】：{content}")

这里的(?<=[）]：)是正则的后发断言，意思是“匹配前面是）：的位置”，这样分割后每个片段都会保留说话人的标识，不会被切掉。

几个实用小技巧 #

• 正则里的英文特殊字符（比如()）需要加反斜杠转义，但中文括号不需要
• 用maxsplit参数限制分割次数，避免内容里的相同符号干扰拆分
• 分割后记得用strip()去掉多余的空格和换行符
• 如果要更精准匹配说话人格式，可以用r'[\u4e00-\u9fa5]+（[A-Z]+）：'来匹配“中文人名+（大写党派缩写）+冒号”的结构

内容的提问来源于stack exchange，提问作者madik_atma