delimiters - split python 3

tokenizar una cadena manteniendo delimitadores en Python

Question

¿Hay algún equivalente a str.split en Python que también devuelva los delimitadores?

Necesito preservar el diseño del espacio en blanco para mi salida después de procesar algunos de los tokens.

Ejemplo:

>>> s="/tthis is an  example"
>>> print s.split()
[''this'', ''is'', ''an'', ''example'']

>>> print what_I_want(s)
[''/t'', ''this'', '' '', ''is'', '' '', ''an'', ''  '', ''example'']

¡Gracias!

Answer 1

¿Has mirado en pyparsing? Ejemplo tomado de la wiki pyparsing :

>>> from pyparsing import Word, alphas
>>> greet = Word(alphas) + "," + Word(alphas) + "!"
>>> hello1 = ''Hello, World!''
>>> hello2 = ''Greetings, Earthlings!''
>>> for hello in hello1, hello2:
...     print (u''%s /u2192 %r'' % (hello, greet.parseString(hello))).encode(''utf-8'')
... 
Hello, World! → ([''Hello'', '','', ''World'', ''!''], {})
Greetings, Earthlings! → ([''Greetings'', '','', ''Earthlings'', ''!''], {})

Answer 2

El módulo re proporciona esta funcionalidad:

>>> import re
>>> re.split(''(/W+)'', ''Words, words, words.'')
[''Words'', '', '', ''words'', '', '', ''words'', ''.'', '''']

(citado de la documentación de Python).

Para su ejemplo (dividido en espacios en blanco), use re.split(''(/s+)'', ''/tThis is an example'') .

La clave es encerrar la expresión regular en la cual se divide en paréntesis de captura. De esa manera, los delimitadores se agregan a la lista de resultados.

Edición: Como se señaló, cualquier delimitador anterior / posterior, por supuesto, también se agregará a la lista. Para evitar eso, .strip() puede usar el método .strip() en su cadena de entrada.

Answer 3

Gracias por señalar el módulo de re , todavía estoy intentando decidir entre eso y usar mi propia función que devuelve una secuencia ...

def split_keep_delimiters(s, delims="/t/n/r "):
    delim_group = s[0] in delims
    start = 0
    for index, char in enumerate(s):
        if delim_group != (char in delims):
            delim_group ^= True
            yield s[start:index]
            start = index
    yield s[start:index+1]

Si tuviera tiempo los pondría a punto de referencia xD

Answer 4

Qué tal si

import re
splitter = re.compile(r''(/s+|/S+)'')
splitter.findall(s)

Answer 5

>>> re.compile(r''(/s+)'').split("/tthis is an  example")
['''', ''/t'', ''this'', '' '', ''is'', '' '', ''an'', ''  '', ''example'']