我有一份报纸语料库作为原始文本文件，我希望能够将这些报纸从它们中拉出来。大多数社论都是在所有大写字母“EDITORIAL”的第3个实例之后开始，并以页脚“sfbg”结尾。
我的想法是使用python的正则表达式来提取这些社论。我正在使用CategorizedPlaintextCorpusReader。
我自己尝试过查找CategorizedPlaintextCorpusReader的方法列表，但我已经空了。
答案 0 :(得分：1)
好吧，在“EDITORIAL”字样的第3个实例之后和结束分隔符'sfbg'之前找到文本的正则表达式是：
(.*?EDITORIAL){3}(?<content>.*?)sfbg
这是组成部分：
(.*?EDITORIAL){3} - 通过使用非贪婪（更安全 - 避免匹配过于变异）通配符.*?并将整个组乘以{{来查找第三次使用“EDITORIAL”一词的所有内容1}}。
{3} - 命名匹配组“内容”。这是你想要的比赛，它只是匹配直到....
(?<content>.*?) - 结尾分隔符。