Question

我正在尝试从文本文档中提取大写的标题。我想避免一个长的虚线序列和一些缩写，如NOM-059-SEMARNAT 2010出现在标题周围;可能还有一些其他字符要排除。

为了实现这个目标，我使用了python模块findall中的re函数（在python 2.7.7下，spyder，windows 8.1中）。这是我使用的正则表达式：

(?!(?:[- ]{2,}|NOM\-059\-SEMARNAT))([A-Z0-9ÁÉÍÓÚÑ:;¿\?\(\)\-\+\. ,]{10,})

我得到了许多好的比赛，但也有一些像这样（其中“N”被跳过）：

OM-059-SEMARNAT-2010（SEMARNAT，2010）。 P

如何避免这些糟糕的比赛？

我使用此模式扫描的文档示例如下：

--------------------------------------------- Congreso Mexicano
  RELACIÓNENTTREELTAMAÑODELFOROFITO Y LA RIQUEZADEEPÍFITASENLOS   PANTANOS DE CENTLA，TABASCO DwersAasrdJxcxéasLóasd1*，Rasdéde   JawdúzRasdwVasde1 Instituto de Ciencias Biologicas，Universidad de   Ciencias y Artes de Chiapas awdsd.w@hlksajk.com Las plantas   epífitasponpoco comunes en manglares，没有epífitasylas   característicasdelos forofitos de Rhizophora mangle，especie   amenazada de acuerdo a la NOM-059-SEMARNAT-2010（SEMARNAT，2010）; enáreas   de la reserva Pantanos de Centla，al noroeste de Tabasco。 Se评估   relaciónentreLa riquezadeepífitasestuvosignificativamente   Relacionada con la coberturadeííydDAP de los forofitos。拉斯佐纳斯   I y III de los forofitos fueronlasmássimilaresy compartieron 47％   del total de las especies。 La zona I，que son las Palabras clave：   Epífitasvasculares，distribuciónvertical，composición，Rhizophora   mangle，raícesaéreas。 ID：96 lunes，20 de abril de 2015，3：30：00 PM，   Sala：8Ejetemático：EcologíadeComunidades

Answer 1

我认为你有足够的限制可以使这项工作你必须滚动自己的边界并设置伪锚。

压缩：

 # (?<![A-Z0-9ÁÉÍÓÚÑ:;¿?()\-+.,])((?!(?:NOM-059-SEMARNAT))[A-ZÁÉÍÓÚÑ¿](?:(?!(?:[- ]{2,}|NOM\-059\-SEMARNAT))[A-Z0-9ÁÉÍÓÚÑ:;¿?()\-+. ,]){9,}(?<=[A-ZÁÉÍÓÚÑ?]))(?![a-z])

格式化：

 (?<! [A-Z0-9ÁÉÍÓÚÑ:;¿?()\-+.,] )             # ASSERT - Dont start in the middle of anything
 (                                            # (1 start)
      (?!                                          #  ASSERT - The start cannot be this phrases (add more)
           (?: NOM-059-SEMARNAT )
      )
      [A-ZÁÉÍÓÚÑ¿]                                 # Starts with a letter
      (?:
           (?!                                          # ASSERT - The body cannot contain this phrase  (add more)
                (?: [- ]{2,} | NOM\-059\-SEMARNAT )
           )
           [A-Z0-9ÁÉÍÓÚÑ:;¿?()\-+. ,] 
      ){9,}

      (?<= [A-ZÁÉÍÓÚÑ?] )                          # ASSERT - Ended with a letter
 )                                            # (1 end)
 (?! [a-z] )                                  #  ASSERT - Not a forward lower case when previous upper case that probably starts a sentence

或者，同样但是使用hex来扩展ascii

 # (?<![A-Z0-9\x{C1}\x{C9}\x{CD}\x{D3}\x{DA}\x{D1}:;\x{BF}?()\-+.,])((?!(?:NOM-059-SEMARNAT))[A-Z\x{C1}\x{C9}\x{CD}\x{D3}\x{DA}\x{D1}\x{BF}](?:(?!(?:[- ]{2,}|NOM\-059\-SEMARNAT))[A-Z0-9\x{C1}\x{C9}\x{CD}\x{D3}\x{DA}\x{D1}:;\x{BF}?()\-+. ,]){9,}(?<=[A-Z\x{C1}\x{C9}\x{CD}\x{D3}\x{DA}\x{D1}?]))(?![a-z])


 (?<!
      [A-Z0-9\x{C1}\x{C9}\x{CD}\x{D3}\x{DA}\x{D1}:;\x{BF}?()\-+.,] 
 )
 (                                            # (1 start)
      (?!
           (?: NOM-059-SEMARNAT )
      )
      [A-Z\x{C1}\x{C9}\x{CD}\x{D3}\x{DA}\x{D1}\x{BF}] 
      (?:
           (?!
                (?: [- ]{2,} | NOM\-059\-SEMARNAT )
           )
           [A-Z0-9\x{C1}\x{C9}\x{CD}\x{D3}\x{DA}\x{D1}:;\x{BF}?()\-+. ,] 
      ){9,}

      (?<=
           [A-Z\x{C1}\x{C9}\x{CD}\x{D3}\x{DA}\x{D1}?] 
      )
 )                                            # (1 end)
 (?! [a-z] )

为什么这个python正则表达式只匹配一个字符，而不是所需的单词？

1 个答案: