Разделение строки по шаблону split + re Python

Question

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)))

Answer 1

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']

Answer 2

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.

БЛОГ НА HUSL

Разделение строки по шаблону split + re Python

Ответы (2 шт):