使用正则表达式查找段落中出现特定短语后的所有名词短语

Question

我有一个段落数据框，我将其 (*can) 拆分为单词标记和句子标记，并希望在短语“contribute to”或“donate to”的任何实例之后找到所有名词短语发生。

或者实际上是某种形式，所以：

"Contributions are welcome to be made to the charity of your choice." 

---> would return: "the charity of your choice"

和

"blah blah blah donations, in honor of Firstname Lastname, can be made to ABC Foundation"

---> would return: "ABC Foundation"

我创建了一个正则表达式变通方案，可以在大约 90% 的时间捕获正确的短语...见下文：

text = nltk.Text(nltk.word_tokenize(x))
donation = TokenSearcher(text).findall(r"<\.> <.*>{,15}? <donat.*|contrib.*> <.*>*? <to> (<.*>+?) <\.|\,|\;> ")
donation = [' '.join(tokens) for tokens in donation]
return donation

我想清理该正则表达式以摆脱“{,15}”要求，因为它缺少一些我需要的值。但是，我对“贪婪”的表达方式不太满意，无法让它正常工作。

所以这句话：

While she lived a full life , had many achievements and made many 
**contributions** , FirstName is remembered by most for her cheerful smile ,
colorful track suits , and beautiful necklaces hand made by daughter FirstName .
FirstName always cherished her annual visit home for Thanksgiving to visit
brother FirstName LastName

正在返回：“visit brother FirstName Lastname”，因为之前提到了贡献，即使“to”这个词在 15 个单词之后出现。

Answer 1

(?:contrib|donat|gifts)(?=[^\.]+\bto\b[^\.]+).*to\s([^\.]+)

Example 如果有效并满足您的需求，请告诉我，我将解释我的正则表达式。

Answer 2

您似乎在为如何将搜索条件限制为一个句子而苦恼。因此，只需使用 NLTK 将您的文本分成句子（它可以做得比只看句号要好得多），您的问题就会消失。

sents = nltk.sent_tokenize(x)  # `x` is a single string, as in your example
recipients = []
for sent in sents:
    m = re.search(r"\b(contrib|donat).*?\bto\b([^.,;]*)", sent)
    if m:
        recipients.append(m.group(2).strip())

对于进一步的工作，我还建议您使用比 Text 更好的工具，该工具旨在用于简单的交互式探索。如果您确实想对您的文本做更多的事情，nltk 的PlaintextCorpusReader 是您的朋友。