如何在特定单词后提取 3 个或更多单词

Question

我一直在尝试在Diagnosis:或diagnosis:之后提取 3 个或更多单词，但无济于事。

这是我一直在尝试的代码：

'diagnosis: \s+((?:\w+(?:\s+|$)){2})'

打印为空。

我已经设法使这段代码工作：

"Diagnosis: (\w+)",
       "diagnosis: (\w+)",

这在Diagnosis:或diagnosis:之后给了我直接的词。 我怎样才能让它适用于 3 个或更多单词？

 #@title Extract Diagnosis { form-width: "20%" }


 def extract_Diagnosis(clinical_information):
  PATTERNS = [
    "diagnosis: (\w+).",
    "Diagnosis: (\w+).",
    

     ]

 for pattern in PATTERNS:
    matches = re.findall(pattern, clinical_information)
    if len(matches) > 0:
        break

   Diagnosis = ''.join([t for t in matches if t.isalpha()])

   return Diagnosis

    for index, text in enumerate(texts):
     print(extract_Diagnosis(text))
      print("#"*79, index)

我正在寻找的是 diagnosis: 或 Diagnosis: 之后出现的 3 个或更多单词，在 20 个 pdf 中。 我已经将 pdf 转为文本并提取了“诊断：”所在的段落（临床信息）。

Answer 1

好的，一个新的答案更侧重于代码问题而不是正则表达式问题。 因此，首先，需要通过删除初始空格字符并将2更改为3来稍微调整您的正则表达式：

diagnosis:\s+((?:\w+(?:\s+|$)){3})

您的代码有很多问题。 这是您的代码的一个版本，虽然它可能不完全符合您的要求：

import re

def extract_Diagnosis(clinical_information):
    PATTERNS = [r"diagnosis:\s+((?:\w+(?:\s+|$)){3})"]
    matches = []
    for pattern in PATTERNS:
        matches = re.findall(pattern, clinical_information)
        if len(matches) > 0:
            break
    Diagnosis = ''.join([t for t in matches])
    return Diagnosis


texts = ["diagnosis: a b c    blah blah blah      diagnosis:   asdf asdf asdf  x x x "]

for index, text in enumerate(texts):
    print(extract_Diagnosis(text))
    print("#"*79, index)

结果：

a b c    asdf asdf asdf. 

以下是我用您的代码修复的问题：

1. 我用你问题中的一个表达式替换了两个正则表达式，并进行了上述修改。
2. 我在包含正则表达式的字符串常量前面加了一个r 。 这在 Python 中指定了一个“原始字符串”。您需要执行此操作或将反斜杠加倍。
3. 您正在使用表达式if t.isalpha()过滤结果。 根据您的表达式，这将始终为False ，因为您匹配的内容将始终包含空格和单词字符。 无论如何，我认为没有理由进行此测试，因为您确切地知道您得到的是什么，因为您得到的与您的正则表达式相匹配。
4. 我修复了缩进，以便一切正常。 可能是您在原始代码中拥有该权利，但将其移入您的问题时却搞砸了。

我希望这有帮助！