正则表达式匹配大写单词，以及周围的 +- 4 个单词答案

【问题标题】：Regext to match capitalized word, and the surrounding +- 4 words正则表达式匹配大写单词，以及周围的 +- 4 个单词
【发布时间】：2018-10-11 07:41:57
【问题描述】：

我有一堆文件，我有兴趣查找提及临床试验的内容。这些始终由全部大写的字母表示（例如 ASPIRE）。我想匹配所有大写的任何单词，大于三个字母。我还想要周围的 +- 4 个单词作为上下文。

以下是我目前拥有的。它有点工作，但没有通过下面的测试。

import re
pattern = '((?:\w*\s*){,4})\s*([A-Z]{4,})\s*((?:\s*\w*){,4})'
line = r"Lorem IPSUM is simply DUMMY text of the printing and typesetting INDUSTRY."
re.findall(pattern, line)

【问题讨论】：

您能否在问题中包含预期结果。

标签： python regex

【解决方案1】：

您可以在 python 中使用此代码，分两步完成。首先，我们将输入拆分为 4 个以上的大写字母，然后在匹配的两边找到最多 4 个单词。

import re

str = 'Lorem IPSUM is simply DUMMY text of the printing and typesetting INDUSTRY'

re1 = r'\b([A-Z]{4,})\b'
re2 = r'(?:\s*\w+\b){,4}'

arr = re.split(re1, str)

result = []

for i in range(len(arr)):
    if i % 2:
        result.append( (re.search(re2, arr[i-1]).group(), arr[i], re.search(re2, arr[i+1]).group()) )


print result

Code Demo

输出：

[('Lorem', 'IPSUM', ' is simply'), (' is simply', 'DUMMY', ' text of the printing'), (' text of the printing', 'INDUSTRY', '')]

【讨论】：

【解决方案2】：

以下正则表达式对您有用吗？

(\b\w+\b\W*){,4}[A-Z]{3,}\W*(\b\w+\b\W*){,4}

在这里测试：https://regex101.com/r/nTzLue/1/

【讨论】：

在 OP 的输入 Lorem IPSUM is simply DUMMY text of the printing and typesetting INDUSTRY 中找不到此正则表达式 IPSUM

【解决方案3】：

在左侧，您可以匹配任何单词字符\w+ 一次或多次，然后匹配任何非单词字符\W+ 一次或多次。将这两个组合在一个非捕获组中，然后重复 4 次 {4} 就像 (?:\w+\W+){4}

然后在一组([A-Z]{3,})中捕获3个或更多大写字符。

或者右侧你可以将单词和非单词字符的匹配转为左侧匹配的内容(?:\W+\w+){4}

(?:\w+\W+){4}([A-Z]{3,})(?:\W+\w+){4}

捕获的组将包含您的大写单词，而捕获组将包含周围的单词。

【讨论】：

在 OP 的输入 Lorem IPSUM is simply DUMMY text of the printing and typesetting INDUSTRY 中，尽管有 3 个这样的大写字母单词，但这个正则表达式只找到一个匹配项。

【解决方案4】：

这应该可以完成工作：

pattern = '(?:(\w+ ){4})[A-Z]{3}(\w+ ){5}'

【讨论】：