Python正則表達式負向后看

Question

我有一個大型的CT掃描結果和印象數據庫。 我正在嘗試構建一個正則表達式，該表達式搜索整數或浮點數，后跟與單詞“ nodule”相鄰的“ mm”。 到目前為止，這是我的正則表達式：

nodule_4mm_size = "(?s).*?([0-4]*\.*[0-9]+\s*[mM]{2})[\w\W]{0,24}[Nn]odule|(?s)[Nn]odule[\w\W]{0,24}.*?([0-4]*\.*[0-9]+\s*[mM]{2})”

但是，我需要確保在這些發現之前沒有進行之前或之前的測量。 放射科醫生指的是以前的掃描。 因此，我嘗試在后面進行負向查找，如下所示：

(?<!previously measured)\?[Nn]odule[\w\W]{0,24}[^\.\d]([0-4]\s*[mM]{2}|[0-3]\.[0-9]\s*[mM]{2}|4\.0+\s*[mM]{2})

但是，我無法使其正常工作。 以下面的段落為例。

“例如，最大的結節位於右下葉，目前尺寸為4.4毫米（圖像＃82，系列3），先前在2011年9月1日測量為3.6毫米。”

在這種情況下，我希望將正則表達式打到4.4毫米而不是3.6毫米。 此外，如果找到多個匹配，我只想保留找到的最大匹配。 例如，

“例如，最大的結節位於右下葉，目前測量為4.4毫米（圖像＃82，系列3），先前在2011年9月1日測量為3.6毫米。發現另一個結節為2.2毫米。

在這種情況下，我要確保僅識別4.4毫米。

任何幫助將不勝感激。 只是無法讓這種消極的后盾起作用！ 謝謝！

Answer 1

兩種可能性：

1）使用lookbehinds：

(?<!previously measured )(?<![0-9.])([0-9]+(?:\.[0-9]+)?) ?mm

第一個檢查"previously measured "是否不在數字之前，第二個檢查是否在數字之前沒有數字或點（否則，點后的4個將匹配。請記住，正則表達式引擎將返回第一個結果）左邊）。

2）使用捕獲組：

previously measured [0-9]+(?:\.[0-9]+)? ?mm|([0-9]+(?:\.[0-9]+)?) ?mm

想法是匹配您想要避免的事。 當捕獲組1存在時，您將獲得結果。

關於最大數量，請使用re.findall方法並獲得最大的結果（正則表達式無法解決此類問題）。

Answer 2

如果附近需要nodule詞，可以嘗試：

(?:((?<!previously measured\s)\d+.\d+\s*mm)(?:[^.?!\n]*?)?nodule|nodule(?:[^.?!\n]*?((?<!previously measured\s)\d+.\d+\s*mm))?)

演示

如果滿足以下條件，它將匹配：

• 結節與以mm為單位的值在同一句子中（ [^.?!\\n]應該阻止它，但是像Mr.，decimals等之類的字詞會干擾匹配），您可以將其替換為.+? （ DEMO ）但是它可以在句子之間匹配
• 該值在字根結節之前或之后（在此oreder中，如果之前有值，將首先匹配），
• 值將以組的形式捕獲：--1之前，-2之后，
• 它應該與g和i模式一起使用

其他類似的解決方案是：

(?=((?<!previously measured\s)\d+.\d+ mm)[^.?!]+nodule)|(?=nodule[^.?!]+((?<!previously measured\s)\d+\.\d+ mm))

演示

僅基於環視，它不會直接匹配文本，而是零長度位置，並且會將值捕獲到組中。

Answer 3

讓我們分解一下，保留相關部分。 到目前為止，您有2個選擇：

選項1 （數字后跟“ nodule ”）：

([0-4]\.\d+\s*[mM]{2})[\s\S]{0,24}[Nn]odule

選項2 （“ nodule ”后跟數字）：

[Nn]odule[\s\S]{0,24}([0-4]\.\d+\s*[mM]{2})

---

您應該知道正則表達式引擎是貪婪的 。 這意味着[\\s\\S]{1,24}將嘗試盡可能匹配，匹配不一定最接近“ nodule ”的數字。 例如，

Pattern: [Nn]odule[\s\S]{0,24}([0-4]\.\d+\s*[mM]{2})

Text: ... nodule measured 1.4 mm. Another 3.2 mm ...
                                          ^    ^
                                          |    |
          matches this second occurence.  +----+

要解決此問題，請添加一個額外的? 經過量詞使懶惰 。 因此，不是使用[\\s\\S]{0,24} ，而是使用[\\s\\S]{0,24}? 。

---

例如，最大的結節位於右下葉，目前尺寸為4.4毫米

此示例的“ nodule ”間隔超過24個字符。 您應該增加中間的字符數。 也許[\\s\\S]{0,70}? 。

---

所以我正在嘗試負面的回望

Lookbehinds僅聲明某個位置之前的文本。 為避免這種情況，我建議匹配文本“ previously measured ”，並在文本周圍使用一些字符。 那么，您怎么知道不考慮這些情況？ 容易，不要創建捕獲。 因此，您將匹配類似

[\s\S]{0,10}previously measured[\s\S]{0,10}

並取消匹配，因為它沒有返回任何組。 此外，您可以在此處包括不同的例外：

[\s\S]{0,10}(?:previously measured|previous scan|another patient|incorrectly measured)[\s\S]{0,10}

---

如果找到多個匹配，我只想保留找到的最大匹配

使用regex不能做到這一點。 循環輸入代碼以查找最大的代碼。

---

結果：

在這些條件下，我們有：

[\s\S]{0,10}previously measured[\s\S]{0,10}|([0-4]\.\d+\s*[mM]{2})[\s\S]{0,70}?[Nn]odule|[Nn]odule[\s\S]{0,70}?([0-4]\.\d+\s*[mM]{2})

演示

---

額外條件要檢查

也許，以下選項之一對減少誤報很有用：

1. 不允許在換行符之后進行匹配。
2. 如果“ nodule ”和數字之間沒有句號，則不匹配。
3. 在小節附近尋找日期。

Answer 4

關於這個問題，我最終使用nltk模塊將報告標記為單個句子。 適用於所有實例的最終正則表達式為：

nodule_search = "[\s\S]{0,10}(?:previously measured|compared to )[\s\S]{0,10}|(\d[\.,]\d+|\d+|\d\d[\.,]\d+)\s*[mM]{2}[\s\S]{0,40}?[Nn]odule|[Nn]odule[\s\S]{0,40}?(\d[\.,]\d+|\d+|\d\d[\.,]\d+)\s*[mM]{2}"

因此，在這種情況下，我沒有在后面進行否定的查找，而是做了一個捕獲組。

謝謝各位的意見。