提取搜索词前后的词

Question

假设我有如下文本。

纽约市通常称为纽约市或简称纽约 美国人口最多的城市。估计 人口 8537673 分布在约 3026 的土地上 平方英里（784 平方公里） 纽约市也是最密集的 美国人口稠密的主要城市。

我想定位搜索词出现前后的 n 个单词。例如，n=3 并搜索 term="New York"，则

第一次出现：

• 前面的词 = {The, city, of}
• 后面的词 = {经常，叫，新}

第二次出现：

• 前面的词 = {York，经常，叫}
• 后面的单词 = {City，或者，简单地说}

第三次出现：

• 前面的词 = {城市，或者，简单地说}
• 后面的单词 = {is, the, most}

第 4 次出现：

• 前面的单词 = {miles, 784, km2}
• 后面的单词 = {City, is, also}

如何使用正则表达式来做到这一点？我在这里Extract words surrounding a search word 发现了一个类似的问题，但它没有考虑多次出现的搜索词。

尝试：

def search(text,n): 
word = r"\W*([\w]+)" 
groups = re.search(r'{}\W*{}{}'.format(wordn,'place',wordn), text).groups() return groups[:n],groups[n:]

Answer 1

您需要使用positive lookahead assertion 来处理重叠匹配：

re.findall(r"((?:\w+\W+){3})(?=New York((?:\W+\w+){3}))", t)

结果：

[('The City of ', ' often called New'),
 ('York often called ', ' City or simply'),
 ('City or simply ', ' is the most'),
 ('miles (784 km2) ', ' City is also')]

Answer 2

您可以尝试以下方法：

((?:\w+\W+){3})(?=New York((?:\W+\w+){3}))

并在第 1 组和第 2 组中获取您的值

示例源 (run here)

import re
regex = r"((?:\w+\W+){3})(?=New York((?:\W+\w+){3}))"

test_str = "The City of New York often called New York City or simply New York is the most populous city in the United States. With an estimated 2016 population of 8537673 distributed over a land area of about 3026 square miles (784 km2) New York City is also the most densely populated major city in the United States."
matches = re.finditer(regex, test_str)

for match in matches:
    print(re.sub(r'\W+', ' ', match.group(1))+"  <------>" +re.sub(r'\W+', ' ', match.group(2)))

Regex 101 Demo