正则表达式 - 使用 CategorizedPlaintextCorpusReader 查找单词的第 n 个实例

【问题标题】：regex- using CategorizedPlaintextCorpusReader to find nth instance of a word正则表达式 - 使用 CategorizedPlaintextCorpusReader 查找单词的第 n 个实例
【发布时间】：2017-04-25 02:46:10
【问题描述】：

我有一个原始文本文件形式的报纸语料库，我希望能够从中提取社论。大多数社论都在“EDITORIAL”一词的第三个实例之后开始，并以页脚“sfbg”结束。

我的想法是使用python的正则表达式来提取这些社论。我正在使用 CategorizedPlaintextCorpusReader。

我自己尝试查找 CategorizedPlaintextCorpusReader 的方法列表，但结果是空的。

【问题讨论】：

(.*?EDITORIAL){3}(.*?)sfbg
您能详细说明一下吗？总的来说，我对编程还是很陌生，我的语法还没有完全确定。

标签： python regex nltk corpus

【解决方案1】：

好吧，找到“在单词EDITORIAL的第三个实例之后和结束分隔符'sfbg'之前”的正则表达式是：

(.*?EDITORIAL){3}(?<content>.*?)sfbg

下面是组成部分：

(.*?EDITORIAL){3} - 通过使用非贪婪（更安全 - 避免匹配过多）通配符 .*? 并将整个组与 {3} 相乘，查找直到第三次使用“社论”一词的所有内容。

(?<content>.*?) - 命名匹配组“内容”。这是你想要的匹配，它只是匹配直到......

sfbg - 结束分隔符。

regex101 demo

【讨论】：

该代码会遵循正则表达式的方法吗？例如：re.find(.*?EDITORIAL){3}(?<text>.*?)sfbg ?