提取包含法语单词“mais”的句子，返回不包含它的句子

Question

早上好，

我正在尝试从文件中提取包含单词“mais”的句子，我遇到的问题是，提取的句子根本不包含“mais”，但有时包含“jamais”。你知道为什么吗 ？我举一个小例子来说明我的问题？

在下面找到：我编写的脚本使用 spacy 来标记句子，所以我只说明了一小部分。这些行跟随读取文件并将其放入列表的行。然后我在列表中循环查找包含“mais”的elt。

    sentences_list_num = ['je ne suis pas mauvais mais lourd','je ne suis pas gentil', 'ce n\'est pas 
    plus laid', 'ce ne sera jamais bordelique']

    # Importing sentences which contains "mais"  ; result  :7477 sentences
    #word = 'mais'
    for sent in sentences_list_num:
      if 'mais' in sent:
        sentences_with_word_mais.append(sent)
      else :
        sentences_no_mais.append(sent)

    print(sentences_with_word_mais)

打印返回 2 个句子，而它只是一个句子：

['je ne suis pas mauvais mais lourd', 'ce ne sera jamais bordelique'] # Jamais is not mais ???

由于我有一个巨大的文件，我从一开始就没有注意到这个错误，但是当我尝试插入另一个代码行时，我发现了这个错误。

我也使用了“for”，但它仍然给我同样的错误。

Answer 1

字符串匹配不考虑单词边界。因此，根据 Python，“mais”位于“mais”和“jamais”中。您需要以某种方式指定“mais”必须是它自己的词。您可以使用正则表达式：

for sent in sentences_list_num:
  if len(re.findall(r'\Wmais\W', sent)) > 0:
    sentences_with_word_mais.append(sent)
  else:
    sentences_no_mais.append(sent)

如果您已经在使用 spacy 进行标记，您也可以只遍历每个句子中的标记并查找“mais”。