Python 正则分割字符串并提取匹配的记号和关键词

需求是：原字符串内含有特殊记号，比如"V_{CC} = V_{DD}"，其中_{CC} 是latex 的下标语法，实际显示出来是下面这样：

$V_{CC} = V_{DD}$

现在要把下标部分提取出来，并把原字符串用这个记号切割开，也就是把原字符串切割成："V", "CC", " = V", "DD"，这种感觉，方便之后单独处理下标。re 库里官方的split 函数太“简陋”了，不太好使。

函数代码

总之代码如下：

import re
from typing import Union, List, Tuple, Optional

def text_find_and_split(pattern: Union[str, re.Pattern], text: str) -> List[Tuple[str, Optional[re.Match]]]:
    '''
    将字符串按正则匹配分割，返回被分割的字符串片段和匹配结果，匹配的片段会从原字符串中被整体切割出去。
    
    比如：原字符串: "AAAA $01$ BBBB $02$ CCCC" 正则：r"$(\d+)$"，
    切割后的字符串变成"AAAA ", " BBBB ", " CCCC" ，被匹配的片段 "$01$" 和 "$02$" 通过Match 对象返回.
    
    字符串片段和Match 对象被混合起来作为列表返回，每个列表元素是一个二元组，前者是匹配位置前的字符串片段，后者是Match 对象.
    上面的例子的返回形式为：
    
    [
         ("AAAA ", Match("$01$")),
         (" BBBB ", Match("$02$")),
         (" CCCC", None)
    ]
    
    最后一个片段后面没有匹配，所以Match 对象用None 代替
    
    Parameters
    ----------
    pattern : Union[str, re.Pattern]
        正则表达式，可以是字符串或编译后的Pattern 对象.
    text : str
        原字符串.

    Returns
    -------
    result_list : List[Tuple[str, Optional[re.Match]]]
        返回值是一个列表，其中每个元组包含两个元素，前者是匹配前的字符串片段，后者是Match 对象.

    '''
    m_iter = pattern.finditer(text) if isinstance(pattern, re.Pattern) else re.finditer(pattern, text)
    result_list = []
    last_stop = 0
    for m in m_iter:
        start, stop = m.span()
        s = text[last_stop: start]
        last_stop = stop
        result_list.append((s, m))
    
    result_list.append((text[last_stop:], None))
    return result_list

注释里说的应该够清楚了。

使用效果

要处理的字符串是：

s = r"V_{CM}=V_{S} / 2，V_{OUT}=V_{S} / 2，V_{S}=V_{+} - V_{-} =5V，V_{+} =2.5V，V_{-} = -2.5V"

用来匹配记号的正则是：

sub_pattern = r"_\{(.+?)\}"
p = re.compile(sub_pattern)  # 可能编译后正则匹配会更快吧

函数调用：

text_find_and_split(p, s) # 第一个参数可以是字符串sub_pattern，也可以是编译后的p

切割结果：

lm = [('V', <re.Match object; span=(1, 6), match='_{CM}'>),
 ('=V', <re.Match object; span=(8, 12), match='_{S}'>),
 (' / 2，V', <re.Match object; span=(18, 24), match='_{OUT}'>),
 ('=V', <re.Match object; span=(26, 30), match='_{S}'>),
 (' / 2，V', <re.Match object; span=(36, 40), match='_{S}'>),
 ('=V', <re.Match object; span=(42, 46), match='_{+}'>),
 (' - V', <re.Match object; span=(50, 54), match='_{-}'>),
 (' =5V，V', <re.Match object; span=(60, 64), match='_{+}'>),
 (' =2.5V，V', <re.Match object; span=(72, 76), match='_{-}'>),
 (' = -2.5V', None)]

然后再做一些小处理，就可以把原字符串插入到word 里面，并且自动添加上下标格式：

for i in lm:
    s, m = i
    s_run = cp0.add_run(s)
    s_run.font.name = "Times New Roman"
    if m is None:
        break
    gs = m.groups()
    assert len(gs) == 1
    sub_text = gs[0]
    sub_run = cp0.add_run(sub_text)
    sub_run.font.name = "Times New Roman"
    sub_run.font.subscript = True