如何在 Python 正则表达式中修复 re.sub 捕获?

Question

我正在清理一些从PDF中提取的文本分析数据。我注意到其中一个错误是以"y"结尾的单词中的奇怪间距。具体来说，最后一个 y 与单词之间用空格断开：theor y。我正在尝试使用re.sub来识别这些实例，然后折叠空间。

我已经能够编写我认为是一个很好的正则表达式字符串(见 https://regex101.com/r/M1jpe6/5)，但我没有得到我期望的结果。我怀疑我错过了re.sub方法的一些东西。

这是我的玩具代码。

import re
string = 'this is my theor y of dance'
regex_y = r'bw*b(sy)b'
new_string = re.sub(regex_y, 'y', string)
print(new_string)

我希望从上面打印的是

this is my theory of dance

但它实际打印的是

this is my y of dance

由于我的正则表达式中唯一的捕获组是(sy)，我希望用y替换y。相反，很明显，我正在匹配更大的字符串theor y然后用y替换整个东西。

为什么当我只捕获(sy)时会发生这种情况？如何编写我的re.sub字符串，使其按预期工作？

Answer 1

你的例子有点做作，但如果你想在悬空y字符之前删除空格，我会使用这个：

string = 'this is my theor y of dance'
string = re.sub(r'bs+yb', 'y', string)
print(string)
this is my theory of dance

在此处使用捕获组的问题在于，您希望显示整个输入句子，并进行一些修改。 使用捕获组方法时，需要匹配和捕获整个字符串。