在 Python 中提取带有条件的文本

Question

我进行了很多研究，但找不到可以在以下条件下实现所需文本的正则表达式。

我有一大段文字，我想在一定条件下提取文字：

1. 提取的文本应以单词列表开头。例如：苹果、香蕉、橙子、菠萝。
2. 它应该以遇到其他三个单词中的任何一个并且前面有数字时结束。
3. 只有在前面有数字时才应该开始提取。

示例文本：

我的包里有 2 个苹果，苹果是很好的食物。你嘘 每天吃苹果。这对健康非常有益。 3根香蕉也不错。 它可以减少脂肪。

以下是例外输出

我包里的苹果和苹果很棒......对健康有益。

香蕉也不错。它可以减少脂肪

所以，如果存在 2 个关键字，我希望创建 2 个文件，依此类推。

我尝试过的更新：

我尝试的正则表达式是：

(?=(\d+)(\s?)apple)(.*)(?=\d+\s?banana:?s)

Regex I tried

我有两个问题：

1. 在提取的文本中我不想要第一个数字

2. 如果我有 4 个单词，如何使其动态化，我不必编写那么多组合，如果我们正在搜索苹果，则提取的文本保存在该变量中

Python 版本：3.5

你能帮我用一个正则表达式吗？

Answer 1

试试这个：\d+\s*((?:Apple|Banana|Orange|Pineapple)s?\b[\s\S]*?)(?=$|\d+\s*(?:Apple|Banana|Orange|Pineapple)s?\b)

见：

Regex demo

代码：

import re

regex = r"\d+\s*((?:Apple|Banana|Orange|Pineapple)s?\b[\s\S]*?)(?=$|\d+\s*(?:Apple|Banana|Orange|Pineapple)s?\b)"

test_str = "I have 2 apples in my bag and apples are great food toeat. you shud eat apples daily. it is very good for health. 3 bananas are also good. it reduces fat."

matches = re.findall(regex, test_str, re.MULTILINE | re.IGNORECASE)

for match in matches: print(match + "\n")

code demo

注意：我假设您希望停止匹配换行符。如果不是这种情况，您可以删除 re.MULTILINE 标志，以便 $ 匹配字符串结尾。