如何用Python3从文本中拆分出复合名词（如Internet of Things）？

嘿，这个场景我碰到过不少次！普通的split(' ')确实没法识别出你想保留的多词短语，这里有两种实用的方法帮你实现需求：

方法一：正则表达式优先匹配目标短语 #

利用正则的匹配优先级，先匹配你想要保留的完整短语，再匹配单个单词（包括带标点的结尾词），这样就能精准拆分：

import re

x = "IoTTech offers the latest Internet of Things news and strategy."
# 正则规则：优先匹配"Internet of Things"，否则匹配单个单词（含结尾句号）
pattern = r'(Internet of Things|\w+[\.]?)'
# 遍历所有匹配项并收集为列表
result = [match.group() for match in re.finditer(pattern, x)]
print(result)

运行后就能得到你期望的结果：

['IoTTech', 'offers', 'the', 'latest', 'Internet of Things', 'news', 'and', 'strategy.']

方法二：临时标记替换法（更易读，适合多短语场景） #

如果觉得正则有点绕，这个方法思路更直观——先把目标短语替换成一个不含空格的临时标记，拆分后再替换回原短语：

x = "IoTTech offers the latest Internet of Things news and strategy."
# 第一步：把要保留的短语换成无空格的临时标记
temp_str = x.replace("Internet of Things", "TEMP_PHRASE")
# 第二步：按空格拆分字符串
split_list = temp_str.split(' ')
# 第三步：把临时标记替换回原短语
result = [item.replace("TEMP_PHRASE", "Internet of Things") for item in split_list]
print(result)

这个方法的好处是扩展性强，如果之后要保留多个多词短语（比如"Artificial Intelligence"），只需要多做几次替换就行，维护起来更简单。

内容的提问来源于stack exchange，提问作者user9870883