在 Python 中搜索 Unicode 字符

Question

我正在开发一个基于 Python/NLTK 的 NLP 项目，其中包含非英语 unicode 文本。为此，我需要在句子中搜索 unicode 字符串。

有一个 .txt 文件保存了一些非英语的 unicode 句子。使用 NLTK PunktSentenceTokenizer 我打破了它们并保存在 python 列表中。

sentences = PunktSentenceTokenizer().tokenize(text)

现在我可以遍历列表并分别获取每个sentence。

---

我需要做的是检查 sentence 并确定哪个单词具有给定的 unicode 字符。

例子-

sentence = 'AASFG BBBSDC FEKGG SDFGF'

假设上面的文本是非英语 unicode，我需要找到以 GF 结尾的单词，然后返回整个单词（可能是那个单词的索引）。

search = 'SDFGF'

同样，我需要找到以BB 开头的单词。

search2 = 'BBBSDC'

Answer 1

如果我理解正确，您只需将句子分成单词，循环遍历每个单词并检查它是否以所需字符结尾或开头，例如：

>>> sentence = ['AASFG', 'BBBSDC', 'FEKGG', 'SDFGF']
>>> [word for word in sentence.split() if word.endswith("GF")]
['SDFGF']

sentence.split() 可能会被替换为 nltk.tokenize.word_tokenize(sentence)

更新，关于评论：

如何在前面和后面得到消息

enumerate 函数可用于给每个单词一个数字，如下所示：

>>> print list(enumerate(sentence))
[(0, 'AASFG'), (1, 'BBBSDC'), (2, 'FEKGG'), (3, 'SDFGF')]

然后如果你做同样的循环，但保留索引：

>>> results = [(idx, word) for (idx, word) in enumerate(sentence) if word.endswith("GG")]
>>> print results
[(2, 'FEKGG')]

..您可以使用索引来获取下一项或上一项：

>>> for r in results:
...     r_idx = r[0]
...     print "Prev", sentence[r_idx-1]
...     print "Next", sentence[r_idx+1]
...
Prev BBBSDC
Next SDFGF

您需要处理匹配第一个或最后一个单词的情况（if r_idx == 0、if r_idx == len(sentence)）