Question

我基本上是尝试从长文档中提取Section引用。

以下代码表现得非常好：

example1 = 'Sections 21(1), 54(2), 78(1) of Harry Potter'
res = re.search(r'Sections?\W+(\w+)(\(\w+\))?(, (\w+)(\(\w+\))?)*', example1)
res.group(0)

输出：'第21（1），54（2），78（1）条

然而，这些部分经常引用外部书籍，我想要指出或排除它们。一般来说，如果它引用另一本书（下面的例子），则该部分引用后面跟着“of”：

example2 = 'Sections 21(1), 54(2), 78(1) of Harry Potter'

所以在这种情况下，我想排除这些部分，因为它们是指哈利波特，而不是文档中的部分。以下内容应该实现，但不起作用。

example2 = 'Sections 21(1), 54(2), 78(1) of Harry Potter'
res = re.search(r'Sections?(\W+(\w+)(\(\w+\))?(, (\w+)(\(\w+\))?)*)(?!\s+of)', example2)
res.group(0)

预期输出：Sections 21(1), 54(2), 78 - ＆gt; (?!\s+of)删除(1)后面的78，但不删除整个引用。

Answer 1

您可以使用捕获组和前瞻模拟原子组：

(?=(?P<section>Sections?\W+(\w+)(\(\w+\))?(, (\w+)(\(\w+\))?)*))(?P=section)(?! of)

Demo

长话短说： *在正面预测中，您可以创建一个名为section的捕获组，用于查找剖面图案 *然后你匹配(?P=secion)中的群组内容 *然后在否定预测中，检查后面没有of

这是解释该技术的really good answer。

Answer 2

这是因为在(?!\s+of)失败后，它会在匹配的可选(\(..\))?之前回溯，因为否定前瞻不匹配。

Atomic group可以与其他正则表达式引擎一起使用，但不能在python re中实现。

其他解决方案是在+可选部分之后使用占有量词?：

r'Sections?(\W+(\w+)(\(\w+\))?(, (\w+)(\(\w+\))?+)*)(?!\s+of)'

请注意+

之后的?

使用正则表达式提取某些短语但排除短语后跟单词“of”

2 个答案: