使用python（或nltk）提取两个特定单词之间内容的正则表达式

Question

我正在尝试构建一个类并将每首诗作为一个对象，它具有标题（后跟“POEM：”）、作者和内容的属性。 我提取了标题和作者并放入了一个列表。 但是，我不知道如何提取内容，并放入列表中。

我有一个包含许多诗歌的 txt 文件。 示例诗是：

POEM: lala AUTHOR: la
aaaaaaaaaaaaaa,
aaaaaaaaa,
akaaaaaaaa

POEM: alal AUTHOR: al
llllllllllll,
llllll.

llllllll,
lllllllllll

POEM: lal AUTHOR:as
sssssssss,
sssssss,
sssssss

这就是我所做的

import re
f=open('Poems.txt', 'r')
data=f.read().replace('\n','')
re.findall(r"^POEM:.*?(?=POEM)",data)

我想将所有诗作为单独的字符串放在一个列表中，但我只能得到第一首诗。

'POEM: lala AUTHOR: la, aaaaaaaaaaaaaa, aaaaaaaaa, akaaaaaaaa'

Answer 1

解释说，不使用正则表达式的解决方案要简单得多。

逐行解释

首先打开文件

f=open('Poems.txt', 'r').read()

您将获得您的诗歌列表，其中包含您在问题最后部分显示的预期输出

poems_list = ["POEM" + s for s in f.split("POEM")]

我们删除第一个元素，因为它是空的，由于拆分功能

poems_list.pop(0)

到这里为止，poems_list 会告诉我们其他用户在他的问题中发布的内容。但是，如果您真的想解析数据，我猜这是您使用正则表达式的意图，您可以继续执行以下操作：

我们遍历诗歌列表中的每首诗歌以分析它们包含的数据

for poem in poems_list:

首先我们用诗歌关键字进行拆分，记住分号和诗歌名称之间必须留一个空格，否则不起作用（无需修改代码）

    i1 = poem.split('POEM: ')

现在我们按作者拆分它，再次适当地保留尾随空格。我们取 i1 第二个元素，因为第一个是诗名，剩下的内容现在存储在列表的第二个元素中。

    i2 = i1[1].split(' AUTHOR: ')

我们将再次使用列表中的第二个元素来获取文本的剩余部分。我们用新的一行来分割它，因为这首诗在说明作者之后在换行后开始

    i3 = i2[1].split('\n')

我们保存我们获得的值

    poem_name = i2[0]
    poem_author = i3[0]
    poem_content = i3[1]

现在轮到您按照自己的意愿处理数据了。我建议您将其存储在字典中。

完整代码

所有代码不加解释（复制粘贴）：

f=open('Poems.txt', 'r').read()
poems_list = ["POEM" + s for s in f.split("POEM")]
poems_list.pop(0)

for poem in poems_list:

    i1 = poem.split('POEM: ')
    i2 = i1[1].split(' AUTHOR: ')
    i3 = i2[1].split('\n')

    poem_name = i2[0]
    poem_author = i3[0]
    poem_content = i3[1]

进一步的想法

我不建议您将这样的数据存储在该文件中。这是非常低效的，微小的修改会在代码的功能上造成很大的问题，这需要大量的修改。更推荐使用数据库、pandas、csv 格式甚至 pickle 来存储字典，或者至少格式化好一点。

Answer 2

代码

See regex in use here

\s*(?=POEM:)

注意：上面的正则表达式只是简单地捕捉空格并断言位置匹配（带有积极的前瞻）。有关详细信息，请参阅说明。

用法

See code in use here

基础知识

import re

s = "Your string here"
r = r"\s*(?=POEM:)"

print re.split(r, s)

实践中（使用您的示例字符串）

import re

s = """POEM: lala AUTHOR: la
aaaaaaaaaaaaaa,
aaaaaaaaa,
akaaaaaaaa

POEM: alal AUTHOR: al
llllllllllll,
llllll.

llllllll,
lllllllllll

POEM: lal AUTHOR:as
sssssssss,
sssssss,
sssssss"""

r = r"\s*(?=POEM:)"

print re.split(r, s)

---

结果

[
    'POEM: lala AUTHOR: la\naaaaaaaaaaaaaa,\naaaaaaaaa,\nakaaaaaaaa',
    'POEM: alal AUTHOR: al\nllllllllllll,\nllllll.\n\nllllllll,\nlllllllllll',
    'POEM: lal AUTHOR:as\nsssssssss,\nsssssss,\nsssssss'
]

---

说明

• \s* 匹配任意数量的空白字符
• (?=POEM:) 正向前瞻确保后面的内容与 POEM: 字面意思相符