古腾堡项目 Python 问题？答案

【问题标题】：Project Gutenberg Python problem?古腾堡项目 Python 问题？
【发布时间】：2011-04-02 18:29:09
【问题描述】：

我正在尝试通过 python 的正则表达式和 NLTK 处理各种文本-位于http://www.nltk.org/book-。我正在尝试创建一个随机文本生成器，但我遇到了一个问题。首先，这是我的算法：

输入一个句子作为输入-这称为触发字符串-
获取触发字符串中最长的单词
在所有 Project Gutenberg 数据库中搜索包含此单词的句子 - 无论大写小写 -
返回包含我在步骤 3 中谈到的单词的最长句子
将Step 1和Step4中的句子附加在一起
重复该过程。请注意，我必须在第二句中找到最长的单词并继续这样，依此类推-

到目前为止，我已经能够对前两个句子执行此操作，但我无法执行不区分大小写的搜索。 Project Gutenberg 的整个句子数据库可通过 gutenberg.sents() 函数获得，但正则表达式 - 不区分大小写的搜索实际上是不可能的，因为 gutenberg.sents() 输出书中的句子如下 - 在列表格式列表中 - ：

示例：莎士比亚的麦克白的所有句子都是通过打字调用的

import nltk

from nltk.corpus import gutenberg 

gutenberg.sents('shakespeare-macbeth.txt')

进入python shell命令行，输出为：

[['[', 'The', 'Tragedie', 'of', 'Macbeth', 'by', 'William', 'Shakespeare', '1603', ']'], 
['Actus', 'Primus', '.'], .......]

与 [威廉莎士比亚的麦克白悲剧，1603] 和 Actus Primus。是前两句。

无论是大写还是小写，我如何才能找到我要查找的单词？我非常需要帮助，因为过去两天我一直在修补这个问题，而且它开始让我感到紧张。非常感谢。

【问题讨论】：

标签： python regex text nltk

【解决方案1】：

给定一个单词列表L，以及一个目标单词t，

any(t.lower()==w.lower() for w in L)

以不区分大小写的方式告诉您 L 是否包含单词 t。当然，这样做更快

lt = t.lower()
any(lt==w.lower() for w in L)

由于 Python 不会将常量计算“提升”出循环，除非您自己提升它，否则它将重复执行。

给定一个列表列表lol，最长的子列表包括t可以找到

longest = max((L for L in lol if any(lt==w.lower() for w in L)), key=len)

如果多个子列表包含 t 并且具有相同的最大长度，这将给你第一个，就像它发生的那样。

【讨论】：

非常感谢您帮助我恢复理智先生，非常感谢您的帮助。
@Alex Martelli，您好，先生，我将您的代码应用到了我的流程中，但我无法执行我在上面的问题中编写的流程。我试图将整个代码放在一个while循环中 - 创建一个变量x = 1，然后执行while x：以便流程继续。然而，在检索到包含这个最长单词的最长句子之后，它只是继续打印相同的句子而不是不同的句子——尽管将“最长”分配给新句子。我该怎么办？ - 顺便说一句，我使用 .join 将列表“最长”转换为一个句子，这样它就可以像常规字符串一样工作-
@sarevok，不可能通过在评论中描述它们的方式来调试代码中的错误。请编辑您的问题，或者更好（因为我确实回答了 this 一个;-)，关闭这个问题并打开另一个显示代码的问题，就像你现在正在尝试的那样。
@Alex Martelli，我按照你的要求做了，问题可以在这里找到：stackoverflow.com/questions/3571887/… :)
@sarevok，我看到你已经得到了答案。无论如何，由于您选择不通过接受我的回答来结束这个问题（尽管您非常感谢最初的评论，而且我已经按照您提出的问题回答了您的问题），我必须推断出我回答的任何事情都无法让您满意，因此不要浪费我的时间来查看您的问题，除非您证明并非如此。说真的：堆栈溢出礼仪的核心原则是接受对您问题的适当且正确的答案。谢谢很便宜，接受是关键。

【解决方案2】：

如何使用内置函数：str.lower()¶ 返回转换为小写的字符串的副本。

然后只比较字符串。

【讨论】：