¿Por qué no es un patrón de ancho fijo?

Question

Estoy tratando de dividir las oraciones en inglés correctamente, y se me ocurrió con la expresión regular profano a continuación:

(?<!\d|([A-Z]\.)|(\.[a-z]\.)|(\.\.\.)|etc\.|[Pp]rof\.|[Dd]r\.|[Mm]rs\.|[Mm]s\.|[Mm]z\.|[Mm]me\.)(?<=([\.!?])|(?<=([\.!?][\'\"])))[\s]+?(?=[\S])' 

El problema es, Python mantiene elevando el siguiente error:

Traceback (most recent call last): 
    File "", line 1, in 
    File "sp.py", line 55, in analyze 
    self.sentences = re.split(god_awful_regex, self.inputstr.strip()) 
    File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/re.py", line 165, in split 
    return _compile(pattern, 0).split(string, maxsplit) 
    File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/re.py", line 243, in _compile 
    raise error, v # invalid expression 
sre_constants.error: look-behind requires fixed-width pattern 

¿Por qué es esto no es una expresión regular válida de ancho fijo? No estoy usando ningún carácter repetitivo (* o +), solo |

---

EDITAR @Anomie resolvió el problema - gracias una tonelada! Desafortunadamente, no puedo hacer el nuevo equilibrio de expresión:

(?<!(\d))(?<![A-Z]\.)(?<!\.[a-z]\.)(?<!(\.\.\.))(?<!etc\.)(?<![Pp]rof\.)(?<![Dd]r\.)(?<![Mm]rs\.)(?<![Mm]s\.)(?<![Mm]z\.)(?<![Mm]me\.)(?:(?<=[\.!?])|(?<=[\.!?][\'\"\]))[\s]+?(?=[\S]) 

es lo que tengo ahora. El número de ('s coincide con el número de (' s, sin embargo:?

>>> god_awful_regex = r'''(?<!(\d))(?<![A-Z]\.)(?<!\.[a-z]\.)(?<!(\.\.\.))(?<!etc\.)(?<![Pp]rof\.)(?<![Dd]r\.)(?<![Mm]rs\.)(?<![Mm]s\.)(?<![Mm]z\.)(?<![Mm]me\.)(?:(?<=[\.!?])|(?<=[\.!?][\'\"\]))[\s]+?(?=[\S])''' 
>>> god_awful_regex.count('(') 
17 
>>> god_awful_regex.count(')') 
17 
>>> god_awful_regex.count('[') 
13 
>>> god_awful_regex.count(']') 
13 

¿Alguna idea más

Answer 1

consideran este subexpresión:

(?<=([\.!?])|(?<=([\.!?][\'\"]))) 

El lado izquierdo de la | es un personaje, mientras que el tamaño correcto es cero. También tiene el mismo problema en su aspecto negativo más grande, podría ser 1, 2, 3, 4 o 5 caracteres.

Lógicamente, un aspecto negativo detrás de (?<!A|B|C) debe ser equivalente a una serie de (?<!A)(?<!B)(?<!C) mira atrás. Una mirada positiva detrás de (?<=A|B|C) debería ser equivalente a (?:(?<=A)|(?<=B)|(?<=C)).

Answer 2

Parece que podría estar usando los chacters repetición cerca del final:

[\s]+? 

A menos que estoy leyendo mal.

ACTUALIZACIÓN

O barra vertical como nightcracker se menciona, y la primera respuesta a esta pregunta parece confirmar: determine if regular expression only matches fixed-length strings

Answer 3

Esto no responde a su pregunta. Sin embargo, si desea dividir un texto en oraciones, es posible que desee echar un vistazo a nltk, que incluyen junto a muchas otras cosas un PunktSentenceTokenizer. Aquí está un cierto ejemplo tokenizer:

""" PunktSentenceTokenizer 

A sentence tokenizer which uses an unsupervised algorithm to build a model 
for abbreviation words, collocations, and words that start sentences; and then 
uses that model to find sentence boundaries. This approach has been shown to 
work well for many European languages. """ 

from nltk.tokenize.punkt import PunktSentenceTokenizer 

tokenizer = PunktSentenceTokenizer() 
print tokenizer.tokenize(__doc__) 

# [' PunktSentenceTokenizer\n\nA sentence tokenizer which uses an unsupervised 
# algorithm to build a model\nfor abbreviation words, collocations, and words 
# that start sentences; and then\nuses that model to find sentence boundaries.', 
# 'This approach has been shown to\nwork well for many European languages. ']