Question

我正在尝试从较长的文本段中提取关键字周围的区域。根据以下条件，它们应包括完整的句子：

n = 250如果存在关键字，则应包含关键字之前/之后的关键字（关键字可以更接近文本的开头/结尾）
从那里它应该进一步扩展以包括完整的句子（我们假设在这里我们可以用“。？！或”来定义句子边界，“知道它不完全准确）

我已经实现了扩展到最后一个句子的结尾，但是没有在下面的例子中开始第一个，其中维生素是关键字，斜体由正则表达式捕获。但是，它应该从“额外的24小时......”中捕获显然我没有预先得到相应的组，既不使用懒惰也不使用lookbehind。

((.{0,250}(vitamin)\b.{0,250})(.+?(\.|\!|\?|\:))?)/ig

那么，今年你需要额外的一天才能获得税收，或者（最后）清理车库。（嘿，我们不是想告诉你什么，但你也可以提高效率。）2月29日又回到了今年，因为它是闰年。无论你是喜欢还是厌恶额外的冬日，你可能都在想它为什么会在第一时间发生。每四年在calen dar中额外建立24小时或每天24小时，以确保它与地球围绕太阳的运动保持一致。在一个日历年中有365天，但它实际上需要更长的时间才能完成地球的年度旅程 - 大约365.2421天 - 围绕着给我们光明，生命和维生素 D的恒星。这种差异可能看起来不大交易给我们，但随着时间的推移，它会加起来。 “为了确保与真正的天文年保持一致，有必要定期添加额外的一天来弥补丢失的时间，让日历与天堂同步，”历史记录。 com。认识到闰年的必要性发生在Julius Caesar的时代。在公元前46年，凯撒获得天文学家Sosigenes的帮助，以更新日历，使其有12个月365天，包括每四年一次的闰年。

Answer 1

您可以尝试这样的事情：

(([.?!:][^.?!:]*.{250}\bvitamin\b.{250})[^.?!:]*[.?!:])

它的工作原理是在关键字＆＃34;维生素＆＃34;之前和之后消费250个字符的文字。从那时起，它会在250个字符的文本之前/之后找到第一个标点点（.?!:）。

这里是sample of it in action。

您可以使用额外的括号()来策略性地分组您想要的确切输出。例如，上述答案包括输出中前一句的结束时段。所以你可以使用

(([.?!:]([^.?!:]*.{250}\bvitamin\b.{250})[^.?!:]*[.?!:]))

并使用结果集中的第3组，该结果集没有此结束期。

Answer 2

我没有看到问题中的规范如何与正则表达式相匹配。它归结为以下逻辑问题：

要匹配尽可能多的字符，但在关键字之前/之后不超过250，.{0,250}需要贪婪，既不能是懒惰.{0,250}?也不能占有.{0,250}+
如果此部分贪婪，您将错过在.{0,250}部分匹配之前开始的关键字的出现次数。

同样的逻辑也适用于我对匹配回到开始之前的理解。

我玩了以下或多或少有意义的正则表达式：

[.?!:]?([^.?!:]*?(.{0,250}\byear\b.{0,250})[^.?!:]*[.?!:]?)错过了第一年＆＃39;

[.?!:]?([^.?!:]*?(.{0,250}?\byear\b.{0,250})[^.?!:]*[.?!:]?)获得第一个＆＃39;年份＆＃39;但是对其他人失败了。

我建议您在函数中编写提取逻辑，使用正则表达式或不使用正则表达式，以实现所需的提取。

例如，您可以找到关键字\bkeyword\b的开头索引和句号(\.[^\d]|[.?!:]$)，然后使用此信息提取所需文本的一部分。

正则表达式扩展为句子

2 个答案: