正则表达式使用python（或nltk）提取两个特定单词之间的内容

Question

我正在尝试建立一个类并将每首诗作为一个对象，它具有标题（后跟“ POEM：”），作者和内容的属性。 我提取了标题和作者，并将其放在列表中。 但是，我不知道如何提取内容并将其放入列表中。

我有一个包含许多诗歌的txt文件。 诗歌样本为：

POEM: lala AUTHOR: la
aaaaaaaaaaaaaa,
aaaaaaaaa,
akaaaaaaaa

POEM: alal AUTHOR: al
llllllllllll,
llllll.

llllllll,
lllllllllll

POEM: lal AUTHOR:as
sssssssss,
sssssss,
sssssss

这就是我所做的

import re
f=open('Poems.txt', 'r')
data=f.read().replace('\n','')
re.findall(r"^POEM:.*?(?=POEM)",data)

我想将所有诗歌作为单独的字符串放在列表中，但我只能得到第一首诗。

'POEM: lala AUTHOR: la, aaaaaaaaaaaaaa, aaaaaaaaa, akaaaaaaaa'

Answer 1

不使用正则表达式的解决方案要容易得多。

逐行说明

首先您打开文件

f=open('Poems.txt', 'r').read()

您将获得包含您问题最后一部分中显示的预期输出的诗歌列表

poems_list = ["POEM" + s for s in f.split("POEM")]

由于拆分功能，我们删除了第一个元素，因为它为空

poems_list.pop(0)

到目前为止， poems_list会给我们其他用户在其问题中发布的内容。 但是，如果您实际上想解析数据（我想使用正则表达式是您的意图），则可以继续进行以下操作：

我们遍历诗歌列表中的每首诗歌，以分析其中包含的数据

for poem in poems_list:

首先，我们用poem关键字将其拆分，请记住，必须在分号和诗歌名称之间留一个空格，否则它将不起作用（无需修改代码）

    i1 = poem.split('POEM: ')

现在，我们将其按作者划分，然后再适当保留尾随空格。 我们将i1作为第二个元素，因为第一个是诗歌名称，其余的内容现在存储在列表的第二个元素中。

    i2 = i1[1].split(' AUTHOR: ')

再次，我们将使用列表中的第二个元素来获取文本的其余部分。 我们用新行将其分开，因为这首诗在陈述作者后在换行后开始

    i3 = i2[1].split('\n')

我们保存获得的值

    poem_name = i2[0]
    poem_author = i3[0]
    poem_content = i3[1]

现在轮到您按自己的意愿处理数据了。 我建议您将其存储在字典中。

完整代码

所有没有解释的代码（用于复制粘贴）：

f=open('Poems.txt', 'r').read()
poems_list = ["POEM" + s for s in f.split("POEM")]
poems_list.pop(0)

for poem in poems_list:

    i1 = poem.split('POEM: ')
    i2 = i1[1].split(' AUTHOR: ')
    i3 = i2[1].split('\n')

    poem_name = i2[0]
    poem_author = i3[0]
    poem_content = i3[1]

进一步的想法

我不建议您将数据存储在该文件中。 这是非常低效的，微小的修改会在代码的功能上造成很大的问题，这需要进行大量的修改。 强烈建议使用数据库，大熊猫，csv格式甚至泡菜来存储字典，或者至少格式化一点更好。

Answer 2

码

查看正则表达式在这里使用

\s*(?=POEM:)

注意 ：上面的正则表达式只是捕获空白并声明位置匹配（正向提前）。 有关更多详细信息，请参见说明。

用法

在这里查看正在使用的代码

基础

import re

s = "Your string here"
r = r"\s*(?=POEM:)"

print re.split(r, s)

实践中 （带有示例字符串）

import re

s = """POEM: lala AUTHOR: la
aaaaaaaaaaaaaa,
aaaaaaaaa,
akaaaaaaaa

POEM: alal AUTHOR: al
llllllllllll,
llllll.

llllllll,
lllllllllll

POEM: lal AUTHOR:as
sssssssss,
sssssss,
sssssss"""

r = r"\s*(?=POEM:)"

print re.split(r, s)

---

结果

[
    'POEM: lala AUTHOR: la\naaaaaaaaaaaaaa,\naaaaaaaaa,\nakaaaaaaaa',
    'POEM: alal AUTHOR: al\nllllllllllll,\nllllll.\n\nllllllll,\nlllllllllll',
    'POEM: lal AUTHOR:as\nsssssssss,\nsssssss,\nsssssss'
]

---

说明

• \\s*匹配任意数量的空格字符
• (?=POEM:)积极的前瞻性，确保随后的内容与POEM:完全匹配