基于表达式匹配的过滤器答案

【问题标题】：Filter based on expression match基于表达式匹配的过滤器
【发布时间】：2015-07-02 17:04:47
【问题描述】：

我一直在梳理与正则表达式相关的网站和教程，以弄清楚如何实现这一点，但遗憾的是仍然无法清楚地掌握正则表达式。我有已标记化的论坛帖子，并试图根据可能包含年龄相关信息的帖子过滤它们。

比如我用这个sn-p来尝试过滤：

re.search(r'.*(daughter|ds|son|dd|) (is|was|is turning|turned) ([0-9]{2})*', post)

这适用于字符串等文本

'my son was 7 when this incident occurred'

而且在字符串上

'is'

过滤，

r = re.compile('.*(daughter|ds|son|dd|)(is|was|is turning|turned)([0-9]{2}).*')
filter(r.match, ['my daughter is 7', 'is'])

但是当应该与第一个字符串匹配时，这会返回一个空列表。

代码 sn-p 有什么问题，有哪些指针可以帮助我过滤正则表达式匹配？

【问题讨论】：

如果输入字符串正好是is，你的正则表达式将如何匹配is？ regex101.com/r/oY2sI2/3
我不认为它匹配 "is" 事实上它绝对不匹配（至少在 python 中）
所以你想从字符串中提取年龄还是什么？
我更新了我的帖子以反映我过去过滤的内容。现在，我只想过滤所有包含该表达式的帖子。
您已经发布了两个表达式。要修复第一个问题，请在最后的 * 之前添加一个 .。要修复第二个，请添加如下空格：'.*(daughter|ds|son|dd|) (is|was|is turning|turned) ([0-9]{2}).*'。此外，如果您不想被限制在两位数的年龄，您可以选择更现实的[0-9]{1,3}。

标签： python regex nlp

【解决方案1】：

要纠正的几件事：

1 - 在您的正则表达式中：

.*(daughter|ds|son|dd|)(is|was|is turning|turned)([0-9]{2}).*

您没有考虑单词之间的空格字符，因此它将是：

.*(daughter|ds|son|dd|).*(is|was|is turning|turned).*([0-9]{2}).*
                       ^^                          ^^

2 - 在年龄组中，您要求仅查找由两个数字组成的年龄，因此7 将不匹配，因此您必须这样做：

.*(daughter|ds|son|dd|).*(is|was|is turning|turned).*([0-9]{1,2}).*
                                                            ^

演示：

>>> r = re.compile('.*(daughter|ds|son|dd|).*(is|was|is turning|turned).*([0-9]{1,2}).*')
>>> l =filter(r.match, ['my daughter is 7', 'is'])
>>> 
>>> 
>>> l
['my daughter is 7']
>>>

【讨论】：

【解决方案2】：

在您发布的第一个正则表达式中：

'.*(daughter|ds|son|dd|) (is|was|is turning|turned) ([0-9]{2})*'

...它会贪婪地匹配任何东西（包括什么都没有，因为在第一组的最后一个管道之后你什么都没有）并点击“是”。然后它会寻找一个空格（在'）（'之间，然后因为最后有一个'*'，它会捕获0-9两次，零次或更多次。这就是'is'捕获的原因。

试试这个：

'.*(daughter|ds|son|dd)\s+(is|was|is turning|turned)\s+([0-9]{1,2}).*'

【讨论】：