分割文タグのフォーマット私は言葉に文章を分割するために、次の正規表現を使用し

Question

存在する

import re 
re.split("('?\w[\w']*(?:-\w+)*'?)","'cos I like ice-cream") 

が得られます。しかし

['', "'cos", ' ', 'I', ' ', 'like', ' ', 'ice-cream', '!'] 

書式設定タグがテキストに表示されることがあり、私の正規表現は明らかにそれらを処理できません。

re.split("('?\w[\w']*(?:-\w+)*'?)","'cos I <i>like</i> ice-cream!") 

ができます：

['', "'cos", ' ', 'I', ' <', 'i', '>', 'like', '</', 'i', '> ', 'ice-cream', '!'] 

私が好きだろうが：

['', "'cos", ' ', 'I', ' <i>', 'like', '</i> ', 'ice-cream', '!'] 

はどのようにあなたはこれを解決するに行きますか？

Answer 1

あなたは否定後読みと先読みアサーションを使用したマッチの除外を指定して、ワード境界正規表現を使用することができます。

^|(?<!['<\/-])\b(?![>-]) 

Regex demo.

あなたが持っているので、残念ながら、Pythonの正規表現エンジンは、splitting on zero-width charactersをサポートしていません。回避策を使用します。

import re 

a = re.sub(r"^|(?<!['<\/-])\b(?![>-])", "|", "'cos I <i>like</i> ice-cream!").split('|'); 
print(a) 

# ['', "'cos", ' ', 'I', ' <i>', 'like', '</i> ', 'ice-cream', '!'] 

Python demo.

Answer 2

# I added a negative lookahead to your pattern to assert bracket > is closed properly 

import re 
print re.split("('?\w[\w']*(?:-\w+)*'?(?!>))","'cos I <i>like</i> ice-cream!") 

[Output] 

['', "'cos", ' ', 'I', ' <i>', 'like', '</i> ', 'ice-cream', '!']