Question

如何使用正则表达式解析python上的文本以从

之类的内容中提取有效的段落

靠近住宿\ n \ n附近的住宿是一个住宿的情况。通过改变镜片的形状，适应性将耐火能力调节到观察对象的距离。问题是

我想提取

附近的住宿是一个住宿的情况。通过改变镜头的形状，适应性将耐火能力调整到观察对象的距离。

这意味着有效的文本应该以一段时间结束并摆脱类似＆＃34的问题;问题是＆＃34;这是一个未完成的句子以及\ n。

等字符之前的任何内容

另一个例子是

<p>神经末梢中可用的多巴胺水平由单胺氧化酶控制，这会使突触前的神经递质失活。 </p> \ n \ n </body></html>

哪个应该提取

神经末梢中可用的多巴胺水平由单胺氧化酶控制，其使突触前的神经递质失活。

所以也要摆脱任何html标签

所以我需要在一段时间内结束的干净段落。没有任何换行符或html标签可能会在相关段落之后或之前出现。所有段落或多或少都与我提供的例子相似。

Answer 1

我建议从主要任务中删除HTML标记（您应该not do with regex），例如with this solution.

然后可以使用以下正则表达式解决剩下的任务：

(?:^|\n|\.)(.*\.)

我们首先匹配文本的开头（^），新行或文字点。 ?:只是为了使这个组不被捕获。然后我们收集所有内容直到一个点，以贪婪的方式（意味着我们得到最大可能的匹配）。

您可以像这样使用它：

import re
m = re.findall(r"(?:^|\n|\.)(.*\.)", your_string)
if m:
    print(m[0].strip())

Answer 2

关键是能够准确地陈述以下条件：

开始比赛
继续比赛
结束比赛

在你的情况下，这些似乎是

一个大写字母。的 [A-Z]

'\ n'，'＆lt;'中没有任何字符等等，重复一遍。的 [^ \ n＆LT;＆GT;] +

一个句号。的 \

由于正则表达式默认为greedy，因此结束条件将应用于最长匹配，因此获得多个不包含延续条件的句子。这给出了正则表达式 [A-Z] [^ \ n＆lt;＆gt;] + \。：

from scipy.linalg import block_diag pd.DataFrame(block_diag(*df_list)) 0 1 2 3 4 0 1 2 0 0 0 1 3 4 0 0 0 2 0 0 5 6 7 3 0 0 8 9 X 4 0 0 Y Z 0

使用您提供的内容：

>>> import re >>> matcher = re.compile('[A-Z][^\n<>]+\.')

随意根据需要进行调整。

使用正则表达式解析文本以提取有效段落

2 个答案: