如何使用正则表达式从文本中提取由标签分隔的多个引用？答案

【问题标题】：How to extract multiple citations separated by tags from a text using regular expression?如何使用正则表达式从文本中提取由标签分隔的多个引用？
【发布时间】：2017-06-14 12:33:04
【问题描述】：

我有一个手动输入文件，其中包含引文，每个文件的格式为：

和以前的机器不同基于学习的NER，因为它使用来自整体的信息文档对每个单词进行分类，只有一个分类器。以前涉及从整个文档中收集信息的工作通常使用二级分类器，它纠正了基于句子的主要分类器的错误。

这是我目前使用 python 的 re 模块的方法：

citance = citance[citance.find(">")+1:citance.rfind("<")]
fd.write(citance+"\n")

我试图提取从第一个右尖括号 (">") 到最后一个左尖括号 ("

它与以前基于机器学习的 NER 不同之处在于它使用来自整个文档的信息来对每个单词进行分类，只需一个分类器。~~以前的工作涉及到从整个文档中收集信息通常使用二级分类器，纠正初级分类器的错误基于句子的分类器。~~

我想要的输出：

它与以前基于机器学习的 NER 不同之处在于它使用来自整个文档的信息来对每个单词进行分类，只需一个分类器。以前的工作涉及从整个文档中收集信息通常使用二级分类器，纠正初级分类器的错误基于句子的分类器。

我怎样才能正确地实现它？

【问题讨论】：

标签： python regex python-3.x citations

【解决方案1】：

我会使用 python 正则表达式模块：re 通过这样做：

re.findall(r'\">(.*?)<', text_to_parse)

这个方法会从一个引号返回到多个引号，但是如果你想要一个统一的文本你可以加入它们之后（" ".join(....)）

【讨论】：

【解决方案2】：

不要使用 re 模块，而是查看 bs4 库。

这是一个 XML/HTML 解析器，因此您可以获取标签之间的所有内容。

对你来说，它会是这样的：

from bs4 import BeautifulSoup

xml_text = '< S sid ="2" ssid = "2">It differs from previous machine learning-based NERs in that it uses information from the whole document to classify each word, with just one classifier.< /S>< S sid ="3" ssid = "3">Previous work that involves the gathering of information from the whole document often uses a secondary classifier, which corrects the mistakes of a primary sentence- based classifier.< /S>'

text_soup = BeautifulSoup(xml_text, 'lxml')

output = text_soup.find_all('S', attrs = {'sid': '2'})

输出将包含文本：

它与以前基于机器学习的 NER 不同之处在于，它使用整个文档中的信息对每个单词进行分类，只使用一个分类器。

此外，如果您只想删除 html 标签：

import re

xml_text = '< S sid ="2" ssid = "2">It differs from previous machine learning-based NERs in that it uses information from the whole document to classify each word, with just one classifier.< /S>< S sid ="3" ssid = "3">Previous work that involves the gathering of information from the whole document often uses a secondary classifier, which corrects the mistakes of a primary sentence- based classifier.< /S>'

re.sub('<.*?>', '', html_text)

会做的。

【讨论】：

【解决方案3】：

我想这就是你要找的。p>

import re

string = ">here is some text<>here is some more text<"
matches = re.findall(">(.*?)<", string)
for match in matches: print match

您在获取太多结果时似乎遇到了问题。 “here is some more text”和“

【讨论】：