命令行与文本处理 / 系统课时

单词边界

单词边界

学习目标

  • 理解单词边界是位置。
  • 会匹配独立关键词。
  • 理解单词字符与边界的关系。
  • 认识下划线和 Unicode 影响。

问题背景或应用场景

普通模式 cat 会同时匹配 cat、catalog 和 copycat。只需要独立单词 cat 时,应限制其左右两侧为单词边界。

核心原理

  1. 单词边界是位置,不是字符。
  2. 它通常出现在单词字符与非单词字符之间。
  3. 字符串开头与单词字符之间可以形成边界。
  4. 单词字符与字符串结尾之间可以形成边界。
  5. 边界行为依赖单词字符的定义。

模式 \bcat\b 可以匹配独立 cat,但通常不会匹配 catalog、copycat 和 my_cat。

基础用法

本课涉及的核心写法如下:

text
\bcat\b
\b100\b
re.ASCII

下划线属于单词字符,因此 my_cat 中的下划线与 c 之间没有单词边界。

完整可运行示例

将代码保存为:

text
word_boundary.py
python
import re

word_pattern = r"\bcat\b"
text = "cat catalog copycat a cat! my_cat cat-1"
print(f"独立 cat:{re.findall(word_pattern, text)}")

samples = ["cat", "catalog", "copycat", "my_cat", "cat-1", "(cat)"]
for sample in samples:
    print(f"{sample}: {re.search(word_pattern, sample) is not None}")

number_pattern = r"\b100\b"
number_text = "100 1000 A100 100-A"
print(f"独立数字:{re.findall(number_pattern, number_text)}")

运行命令:

bash
python word_boundary.py

预期输出

text
独立 cat:['cat', 'cat', 'cat']
cat: True
catalog: False
copycat: False
my_cat: False
cat-1: True
(cat): True
独立数字:['100', '100']

Tips

  • 单词边界不会消费字符。
  • 下划线属于单词字符。
  • 标点和字符串首尾都可能形成边界。
  • 中文分词不应只依赖单词边界。

常见错误

1. 把边界当作空格

标点和字符串首尾也能形成边界。

2. 忽略下划线

my_cat 中下划线和 c 都是单词字符。

3. 用边界完成中文分词

中文自然语言分词需要更专业的规则或工具。

本课练习

  1. 从 go golang go-lang my_go (go) 中提取独立 go。
  2. 观察 go-lang 和 my_go 的差异。
  3. 输出每个匹配的位置范围。
按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

单词边界

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通