如何修改此正则表达式模式，以便一旦找到匹配项，它会返回整个句子，而不仅仅是匹配的单词？

Question

正如标题所解释的，这个正则表达式模式基本上检查描述变量以匹配集合内的单词组合，例如：

set = ["oak", "wood"]

然后，如果它在 5 个单词间距内找到这 2 个单词，它将返回这些单词。但是，我需要它来返回匹配的句子。因此，例如，如果描述是：

description = "...would be a lovely addition to any home. This lovely oak hard wood table comes in a variety of sizes. Another great reason to consider..." 

我希望它返回包含关键字的整个句子，而不是只返回匹配的单词。

这就是我目前正在使用的，显然只是返回匹配的集合对。

re.findall(r"\b(?:(%s)\W+(?:\w+\W+){0,5}?(%s)|(%s)\W+(?:\w+\W+){0,5}?(%s))\b" % (set[0], set[1], set[1], set[0]), description)

我也知道，我相信这种模式将超越单个句子进行匹配，因此您可能会遇到这样的情况，即它会在 2 个不同的句子中找到匹配项。如果可能的话，我还想找到一种方法，将匹配限制为只能在同一个句子中进行。

如果能得到任何帮助，我将不胜感激。

编辑：只是为了澄清我想要的输出是：

"This lovely oak hard wood table comes in a variety of sizes."

因为这是包含匹配关键字对的句子。

谢谢！

Answer 1

根据我的评论，一些使用nltk 的虚拟代码（目前无法访问Python）：

from nltk import sent_tokenize

for sent in sent_tokenize(your_data_here):
    if any(['foo', 'bar']) in sent:
        # do sth. useful here

显然，您甚至可以在 sent 上应用您的初始正则表达式（毕竟它是一个字符串）。

Answer 2

您可以使用以下正则表达式：

print(re.findall(r"(^|(?<=\.))([a-zA-Z0-9\s]*oak[a-zA-Z0-9\s]*wood.*?(?=\.|$)).*?|([a-zA-Z0-9\s]*wood[a-zA-Z0-9\s]*oak.*?(?=\.|$))", description))

地点：

r"(^|(?<=\.))" # means start with 'start of string' or '.'
r"([a-zA-Z0-9\s]*oak[a-zA-Z0-9\s]*wood.*?(?=\.)).*?" # means any letter/number/space followed bi 'oak', followed by any letter/number/space, followed by wood, stopping at the first occurrence of a '.' or 'end of line'
r"([a-zA-Z0-9\s]*wood[a-zA-Z0-9\s]*oak.*?(?=\.|$))" # same as previous, but with | (or) condition matches the wood-oak case

输出：

('', '这款可爱的橡木硬木桌有多种尺寸', '')

Answer 3

必须使用正则表达式吗？我发现只使用以下内容更加严格：

set = ["oak","wood"]
description = "...would be a lovely addition to any home. This lovely oak hard wood table comes in a variety of sizes. Another great reason to consider..."

description2 = "...would be a lovely addition to any home. This is NOT oak however we do make other varieties that use cherry for a different style of hard wood."

def test_result(desc):
    desc = desc.split(". ")
    for sent in desc:
        if all(s in sent for s in set):
            if -5 <= sent.split(" ").index("oak") - sent.split(" ").index("wood") <= 5:
                print (sent)

test_result(description)
test_result(description2)

结果：

This lovely oak hard wood table comes in a variety of sizes

Answer 4

您可以尝试以下正则表达式：

[^.]*?\boak(?:\W+[^\W.]+){0,5}?\W+wood(?:\W+[^\W.]+){0,5}?\W+table(?:\W+[^\W.]+){0,5}?\W+variety[^.]*\.+

Demo with several examples

解释：

[^.]*?                 # Anything but a dot, ungreedy
  \b oak               # First word (with word boundary)
(?:\W+[^\W.]+){0,5}?   # Some (0-5) random words: (separator + word except dot) x 5, ungreedy
 \W+ wood              # Second word. Starts with some separator
(?:\W+[^\W.]+){0,5}?   # Again, random words, ungreedy
 \W+ table             # third word. Starts with some separator
(?:\W+[^\W.]+){0,5}?   # Again, random words, ungreedy
 \W+ variety           # Final required word
[^.]*                  # The rest of the sentence (non dot characters) up to the end
\.+                    # We match the final dot (or ... if more exist)

Answer 5

您可以让它在结尾查找句点来捕捉整个句子。您还可以通过将\W（匹配非单词字符）替换为[^.\w]（匹配任何不是句点或单词字符）来从中间的搜索中排除句点。

"(^|\.)([^.]*\b(?:(%s)[^.\w]+(?:\w+[^.\w]+){0,5}?(%s)|(%s)[^.\w]+(?:\w+[^.\w]+){0,5}?(%s))\b[^.]*)(\.|$)"

(^|\.) 将匹配输入的开头或句点，(\.|$) 将匹配句点或输入的结尾（如果在最后一个句点之后有输入）。

我现在无法在 python 中对此进行测试，但即使我有错误或拼写错误，它也应该为您指明正确的方向。