如何使用re.split在文字记录中区分说话人和说话人？

Question

我正在处理文字记录，并试图找到一种方法，将发言者的姓名与他们的发言内容分开。我一直在尝试使用re.split，但到目前为止还没有任何运气。

dummyText1 = "bill: hello \nted: hello \nto you \nbill: goodbye \nted: goodbye \nto you"

-------------------
Original Transcript
-------------------
(L1)  bill: hello
(L2)  ted:  hello 
(L3)        to you
(L4)  bill: goodbye
(L5)  ted:  goodbye 
(L6)        to you

----------------
Desired Output
-------------------------
Speaker | Speech
-------------------------
bill    | hello
ted     | hello to you
bill    | goodbye
ted     | goodbye to you

我最初的想法是对换行符+单词使用积极的展望，并使用":“符号来标记言语的开始，但这是行不通的。我也不知道如何分组将共享同一说话人的行(即，第2-3行和第5-6行被处理为一个单独的语音转换而不是单个行)。

splitText1 = re.split(r"(\n?=[a-z])*:", dummyText1, flags=re.MULTILINE) 

我的预期输出将是一个列表对象列表，每个嵌套列表都包含语音ID和语音(作为字符串)。

desired_output = [['bill','hello'],['ted','hello to you'],['bill','goodbye'],['ted','goodbye to you']]

Answer 1

您可以使用

import re
dummyText1 = "bill: hello \nted: hello \nto you \nbill: goodbye \nted: goodbye \nto you"
p = r'^((?:[^\W\d_]|[^\S\r\n])+):(.*(?:\n(?!(?:[^\W\d_]|[^\S\r\n])+:).*)*)'
print( [[x.strip(),y.replace('\n','').strip()] for x,y in re.findall(p, dummyText1, re.M)])

输出：

[['bill', 'hello'], ['ted', 'hello to you'], ['bill', 'goodbye'], ['ted', 'goodbye to you']]

请参阅Python演示和regex演示。

Regex详细信息

• ^ -行的开始(由于re.M，^在中断行后也匹配一个位置)
• ((?:[^\W\d_]|[^\S\r\n])+) -第1组:一个或多个字母([^\W\d_])或(|)水平空格([^\S\r\n])
• : -一个冒号
• (.*(?:\n(?!(?:[^\W\d_]|[^\S\r\n])+:).*)*) -第2组：
  • .* -行的其余部分
  • (?:\n(?!(?:[^\W\d_]|[^\S\r\n])+:).*)* -零或更多次出现
    • \n(?!(?:[^\W\d_]|[^\S\r\n])+:) -一个换行符，后面没有一个或多个字母或水平空格，然后是一个:字符
    • .* -剩下的部分。