0

У меня есть сплошной текст(Уголовный кодекс) Необходимо разбить его на статьи. Я разбиваю его так:

content = list("Статья "+ e for e in states.split("Статья "))

Но иногда статьи повторяются вот так:

'Статья 3. Разъяснение некоторы'

'Статья 3 дополнена пунктом'

Крайне необходимо в split добавить любая цифра и точка: типо этого -

content = list("Статья "+ e for e in states.split("Статья [\d+]."))

Пробую вот так:

content = list("Статья "+ e for e in re.split(r"Статья [\d+].", states))

Не то. Цифры пропадают

Вот строка для тренировок:

states='Статья 3. Разъяснение некоторы\nСтатья 3 дополнена пунктом\nСтатья 4. Разъяснение некоторы\nСтатья 4 дополнена пунктом'

Должен получиться список из двух строк

Вот так клево делит, но цифры пропадают:

content = list("Статья "+ e for e in re.split("Статья \d+\.", states))

Смастерил я полукостыли:

content = list(f"Статья {i}.{e}" for i, e in enumerate(re.split("Статья \d+\.", states)))
3
  • content = ["Статья "+ e for e in states.split("Статья \d+\.")]?
    – gil9red
    10 янв 2021 в 3:00
  • неа одна строка получилась 10 янв 2021 в 3:03
  • А ну, конечно, метод spit у строки не поддерживает регулярки. Нужно через re.split работать
    – gil9red
    10 янв 2021 в 3:22

2 ответа 2

2

У меня получилось сделать это через предобработку:

  • Разделение текста по строкам (через \n)
  • Вытаскивание номера статьи из строки
  • Группирование строк по номеру статьи в словаре, где ключом будет номер статьи, а значением список строк

Пример:

import re

states = 'Статья 3. Разъяснение некоторы\nСтатья 3 дополнена пунктом\nСтатья 4. Разъяснение некоторы\nСтатья 4 дополнена пунктом'

chapter_by_text = dict()
for line in states.splitlines():
    m = re.search(r'^Статья (\d+)', line)
    number = m.group(1)
    if number not in chapter_by_text:
        chapter_by_text[number] = []

    chapter_by_text[number].append(line)

print(chapter_by_text)
# {'3': ['Статья 3. Разъяснение некоторы', 'Статья 3 дополнена пунктом'], '4': ['Статья 4. Разъяснение некоторы', 'Статья 4 дополнена пунктом']}

items = [
    '\n'.join(v)
    for v in chapter_by_text.values()
]
print(items)
# ['Статья 3. Разъяснение некоторы\nСтатья 3 дополнена пунктом', 'Статья 4. Разъяснение некоторы\nСтатья 4 дополнена пунктом']
4
1

Ваш способ верен, только нужно использовать re.split (не str.split) и число нужно не захватывать, а лишь проверять на наличие с помощью блока предварительного просмотра вперёд:

import re
content = list("Статья "+ e for e in re.split(r"Статья(?= \d+\.)", states))

Это регулярное выражение находит

  • Статья - строку Статья...
  • (?= \d+\.) - сразу после которой есть пробел, одна и более цифр, а затем символ точки.

См. пример работы регулярного выражения.

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge you have read our privacy policy.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.