使用 grep 在特定上下文中查找字符串

Question

我想从一个大文件中查找并提取被特定上下文包围的所有单词。文件中的所有行看起来都像这样，但>和<\w>之间的单词不同：

<="UO" lemma="|" lex="|" sense="|" prefix="|" suffix="|" compwf="|" complemgram="|" ref="05" dephead="04" deprel="ET">and<\w>

我只希望输出是“和”。所以我基本上想提取上下文>xxx<\w>中的所有字符串（单词、标点符号和数字）。我用 grep 和 regex 尝试了一堆不同的替代方案，但我要么用> 和<\w> 得到所有单词或模式......从整个文件中，我希望输出看起来像这样：

and 
we
appreciate
this
very 
much
.

等等……

Answer 1

您可以使用这样的模式。这将匹配 > 和 <\w> 之间的任何内容。

import re
pat = re.compile(r'>(.*?)<\\w>')
pat.findall(input_string)

Answer 2

好的。给定具有以下值的输入文件（我希望我了解您的用例）：

<="UO" lemma="|" lex="|" sense="|" prefix="|" suffix="|" compwf="|" complemgram="|" ref="05" dephead="04" deprel="ET">and<\w>
<="UO" lemma="|" lex="|" sense="|" prefix="|" suffix="|" compwf="|" complemgram="|" ref="05" dephead="04" deprel="ET">we<\w>
<="UO" lemma="|" lex="|" sense="|" prefix="|" suffix="|" compwf="|" complemgram="|" ref="05" dephead="04" deprel="ET">appreciate<\w>
<="UO" lemma="|" lex="|" sense="|" prefix="|" suffix="|" compwf="|" complemgram="|" ref="05" dephead="04" deprel="ET">this<\w>
<="UO" lemma="|" lex="|" sense="|" prefix="|" suffix="|" compwf="|" complemgram="|" ref="05" dephead="04" deprel="ET">very<\w>
<="UO" lemma="|" lex="|" sense="|" prefix="|" suffix="|" compwf="|" complemgram="|" ref="05" dephead="04" deprel="ET">much<\w>
<="UO" lemma="|" lex="|" sense="|" prefix="|" suffix="|" compwf="|" complemgram="|" ref="05" dephead="04" deprel="ET">.<\w>

以下 python 正则表达式应该适合你：

>>> import re
>>> pat = re.compile(r'(?<=">)(.*)(?=<\\w>)')
>>> pat.findall(input_string)
['and', 'we', 'appreciate', 'this', 'very', 'much', '.']