在python中，如何在我选择的子字符串之前只搜索一个单词

Question

鉴于文本文件中的行列表很长，我只想返回紧接在其前面的子字符串，例如单词 dog（描述 dog 的单词）。因此，例如说这些行包含 dog：

“hotdog” “big dog” “is dogged” “dog spy” “with my dog” “brown dogs”

在这种情况下，所需的结果只是“大”“我的”“棕色”

我用过这个python脚本

import re
with open('titles_500subset.txt') as searchfile:
    for line in searchfile:
        line = line.lower()
        d = re.search('(.+?) eye', line)
        if d:
            found = d.group(1)
            print found

这将返回 “with my” 和 “big”

所以在这里我不会得到“brown”，我会得到所有术语“with my”

如何在 dog 之前只指定一个单词（显然我不能在 (.+?) 之前放置一个空格，因为我会排除 “big” 和 “brown” 因为它们位于行首）？

如何只指定一个字符在 dog 之后，例如“s” 只得到狗和狗之前的词而不是顽固的？

在完美的情况下，我还希望能够指定要排除的结果，例如“my”.

非常感谢

Answer 1

只需将行用空格分割成一个数组，然后你可以在数组中找到 dog 并打印它之前的元素。

with open('titles_500subset.txt') as searchfile:
    for line in searchfile:
        words = line.lower().split()
        if 'dog' in words[1:]:
            print words[words.index('dog')-1]

如果您希望它每行检测多只狗，这需要更多的时间，但如果空格对您来说很重要，它是一个更简单的设置来抓取某些单词。

我这样做的方式也是将整个文档变为小写，因此如果您不希望它以这种方式工作，则需要为此添加额外的检查。

我更改了 if 条件以检查它是否找到大于零的 'Dog' 的索引，因此它可以有效地检查 dog 是否存在并确保它不在句子的开头。 （如果它在 0 处找到 dog，然后在 -1 处查找前面的单词，这意味着它会从该行中取出最后一个单词，这是不受欢迎的行为）

如果要检查多个关键字：

keywords = ["dog", "dogs"]
with open('titles_500subset.txt') as searchfile:
    for line in searchfile:
        words = line.lower().split()
        for key in keywords:
            if key in words[1:]:
                print words[words.index(key)-1]

只需将您可能想要搜索的任何单词添加到关键字列表中即可。

Answer 2

这行得通：

re.search('(\S+?) eye', line)

Answer 3

您可以在整个文本上运行正则表达式，而不是在每一行上运行它。试试这个：

import re
with open('titles_500subset.txt') as searchfile:
    text = searchfile.read()
    d = re.findall('([^ \r\n]+) dogs?([\r\n]| |$)', text, re.IGNORECASE)
    for result in d:
            print result[0]

---

正则表达式解释：

• ([^ \r\n]+) 查找不是空格或换行符（一个或多个字符）的内容
• 后跟一个空格字符
• dog 后跟“狗”
• s? 后跟可选的“s”
• ([\r\n]| |$) 从 3 个选项中选择：换行符、空格或文件结尾

Answer 4

您可以使用positive look ahead：

\w+(?=\s(dog|dogs)\b)

Demo

此正则表达式将匹配长度为 1 或更长且后跟单个空格和 dog 或 dogs 的任何单词。

注意你只能使用\w+(?=\sdog)没有字边界，所以它也会匹配is dogged中的is！

在你的代码中：

import re
with open('titles_500subset.txt') as searchfile:
    for line in searchfile:
        line = line.lower()
        d = re.search('\w+(?=\s(dog|dogs)\b)', line)
        if d:
            found = d.group(0)
            print found