提取整个单词

| 我有大量的实际文本，需要将单词拉出来输入到拼写检查器中。我想尽可能多地提取有意义的词，而又不要过多干扰。我知道这附近有很多正则表达式忍者，所以希望有人可以帮我。目前，我正在提取带有“ 0”的所有字母序列。这是一个很好的近似值，但是它却拖走了很多垃圾。理想情况下，我想要一些正则表达式（不一定漂亮或高效），该正则表达式提取由自然词分隔符（例如ѭ1limited等）界定的所有字母序列，并忽略任何带有非法边界的字母序列。但是，我也很高兴能够获得不与数字相邻的所有字母序列。因此，例如\'pie21\'不会提取\'pie\'，而\'http://foo.com\'则会提取[\'http\', \'foo\', \'com\']。我尝试了lookahead和lookbehind断言，但它们是按字符应用的（例如，ѭ8want将在我不希望返回任何内容时返回ѭ9return）。我尝试将alpha部分包装为一个词（(?:[a-z]+)），但没有帮助。更详细的信息：数据是电子邮件数据库，因此它大部分都是纯英语的普通数字，但偶尔我会完全忽略诸如GIHQ4NWL0S5SCGBDD40ZXE5IDP13TYNEA和AC7A21C0这样的垃圾字符串。我假设其中带有数字的任何字母顺序都是垃圾。

已邀请:

4 个回复

芭隘的盘石

如果将自己限制为ASCII字母，则使用（设置了re.I选项）

\\b[a-z]+\\b

\\b是单词边界锚点，仅在字母数字\“ words \”的开头和结尾匹配。因此，\\b[a-z]+\\b与pie相匹配，但与pie21或21pie不匹配。要也允许其他非ASCII字母，可以使用如下所示的内容：

\\b[^\\W\\d_]+\\b

这也允许带重音符号的字符。您可能需要设置re.UNICODE选项，尤其是在使用Python 2时，才能允许\\w速记来匹配非ASCII字母。 [^\\W\\d_]作为否定字符类，允许数字和下划线以外的任何字母数字字符。

郡晒景沧

您熟悉单词边界吗？（\\b）。您可以使用序列周围的ѭ15并在其中匹配字母来提取单词：

\\b([a-zA-Z]+)\\b

例如，这将捕获整个单词，但停在诸如连字符，句号，分号等标记处。您可以在Python手册中查看\\b序列以及其他内容编辑此外，如果您要查找比赛前后的数字，则可以在前面/后面使用负数：

(?!\\d)   # negative look-ahead for numbers
(?<!\\d)  # negative look-behind for numbers

济畦刨

关于什么：

import re
yourString=\"pie 42 http://foo.com GIHQ4NWL0S5SCGBDD40ZXE5IDP13TYNEA  pie42\"
filter (lambda x:re.match(\"^[a-zA-Z]+$\",x),[x for x in set(re.split(\"[\\s:/,.:]\",yourString))])

注意： split将您的字符串分解为潜在的候选者=>返回“潜在词”列表 set使唯一性过滤=>转换set中的列表，从而删除出现多次的条目。此步骤不是必需的。 filter减少了候选人的数量：获取一个列表，对每个元素应用测试功能，并返回测试通过的元素的列表。在我们的例子中，测试功能为“匿名” lambda：匿名函数，获取一个项目并检查它是否是单词（仅适用于大写或小写字母）编辑：添加了一些说明

妒垮

样例代码

print re.search(ur\'(?u)ривет\\b\', ur\'Привет\')
print re.search(ur\'(?u)\\bривет\\b\', ur\'Привет\')

要么

s = ur\"abcd ААБВ\"
import re
rx1 = re.compile(ur\"(?u)АБВ\")
rx2 = re.compile(ur\"(?u)АБВ\\b\")
rx3 = re.compile(ur\"(?u)\\bАБВ\\b\")
print rx1.findall(s)
print rx2.findall(s)
print rx3.findall(s)

要回复问题请先登录或注册

提取整个单词

4 个回复

发起人

python

regex

word

alphabetical

text_extraction

问题状态

提取整个单词

与内容相关的链接

4 个回复

发起人

python

regex

word

alphabetical

text_extraction

问题状态