尝试正则表达式所有大写的单词，除了那些紧跟在 Python 中的一段时间之后

Question

我正在尝试让机器人抓取文本并高度准确地吸收所有专有名词/短语。因此，在句子中间大写的任何内容，连续大写的任何内容都被视为同一短语（和列表条目）的一部分。

到目前为止我有：

tag_string = re.findall('([a-zA-Z]+)\s([A-Z][a-z]*)\s([a-zA-Z]+)', in_string)

在句号之前的专有名词有问题。也接受周围的小写单词。

我也有：

#tag_string = re.findall('([a-zA-Z]+)\s([A-Z][a-z]*)(\s([a-zA-Z]+)|\.)', in_string)

它需要更多周围的小写单词，但不太容易受到前一期问题的影响。我已经在这几个小时了。有人看到我做错了吗？

Answer 1

一种选择是匹配所有内容以确保匹配句点。然后您可以过滤掉所有包含句点的匹配项。

类似\.? *[A-Z][a-z]*

然后你可以过滤掉有问题的匹配项。

import re

out = re.findall('\.? *[A-Z][a-z]*', 'This is a sentence. This is Another sentence.   And this is a anoth.er Hello')
outFil = [x for x in out if x[0] != '.']
print(out, outFil)

['这个', '.这个'，'另一个'，'。和'，'你好']

['这个', ' 另一个'，'你好']