使用正則表達式在python中的兩個模式之間提取文本

Question

我正在嘗試提取包括類別（即A，B，C）的所有文本。

A     <some text1> 

B     <some text2> 

C     <some text3> 

但是，當我應用此正則表達式時-

ptrn='\n[A-z]*\t'     

pattern1= '(.*)'+ptrn      

f = re.findall(pattern1,test_doc)      

它給我

f[0] = A     <some text1> 

f[1] = <some text2> 

f[2] = <some text3> 

但我想要 -

f[0] =  A     <some text1>

f[0] =  B     <some text2> 

f[2] =  C     <some text2> 

http://csmining.org/tl_files/Project_Datasets/r8%20r52/r8-test-all-terms.txt

此鏈接包含許多文檔的一些原始文本。 每個文檔具有以下模式：

category<tab><sometext> \n 

因此整個語料庫看起來像這樣：

category<tab><sometext1> \n 

category<tab><sometext2> \n

.

.

我想要

doc[0] = category<tab><sometext1>

doc[1] = category<tab><sometext2>

.
.
and so on

任何答案/提示都將非常有幫助:)

Answer 1

嘗試以下模式：

import re
pattern = r"(\w+)(\t)(.*)(\b)"

說明

• (\\w+)匹配任何單詞字符一次或多次
• \\t從字面上匹配制表符
• (.*)匹配除行終止符之外的所有內容
• (\\b)是單詞邊界

在regex101上觀看演示