Question

考虑文字1：

什么是Lorem Ipsum：
  Lorem Ipsum只是印刷和排版行业的伪文本。

它来自哪里：
  与普遍的看法相反，Lorem Ipsum不仅仅是简单的随机文本。

为什么要使用它：
  一个长期的事实是，读者将成为   在查看页面布局时会被页面的可读内容分散注意力。

text2：

什么是Lorem Ipsum：
  Lorem Ipsum只是印刷和排版行业的伪文本。

其他主题：
  Lorem Ipsum的段落有很多变化。

为什么要使用它：
  一个长期的事实是，读者将成为   在查看页面布局时会被页面的可读内容分散注意力。

text3：

什么是Lorem Ipsum：
  Lorem Ipsum只是印刷和排版行业的伪文本。

它来自哪里：
  与普遍的看法相反，Lorem Ipsum不仅仅是简单的随机文本。

其他一些主题：
  这些年来，各种版本都有所发展。

我可以使用python处理此文本以在开始和结束字符串之间提取。我使用的代码-

# This code is run once separately for each text variation 
import sys
s = "text1 or text2 or text3" # one at a time
start_String = s.find("What is Lorem Ipsum:")
end_String = s.find("Why do we use it:")
if start_String == -1 or end_String == -1:
    print("Not found")
    sys.exit(0)
print(s[start_String:end_String])

但是我的要求有所不同。我只需要与“什么是Lorem Ipsum：”，“它来自何处：”，“我们为什么使用它：”相关的文本。

预期结果：
文字1：

什么是Lorem Ipsum：
  Lorem Ipsum只是印刷和排版行业的伪文本。

它来自哪里：
  与普遍的看法相反，Lorem Ipsum不仅仅是简单的随机文本。

为什么要使用它：
  一个长期的事实是，读者将成为   在查看页面布局时会被页面的可读内容分散注意力。

text2：

什么是Lorem Ipsum：
  Lorem Ipsum只是印刷和排版行业的伪文本。

为什么要使用它：
  一个长期的事实是，读者将成为   在查看页面布局时会被页面的可读内容分散注意力。

text3：

什么是Lorem Ipsum：
  Lorem Ipsum只是印刷和排版行业的伪文本。

它来自哪里：
  与普遍的看法相反，Lorem Ipsum不仅仅是简单的随机文本。

我在一个巨大的数据集中拥有如上所述的文本集合。我需要做的只是基于必要主题提取所需的子文本。我如何在python中实现呢？我希望我有道理。

Answer 1

这正是您想要的：

my_list=["""What is Lorem Ipsum:
Lorem Ipsum is simply dummy text of the printing and typesetting industry.

Where does it come from:
Contrary to popular belief, Lorem Ipsum is not simply random text.

Why do we use it:
It is a long established fact that a reader will be distracted by the readable content of a page when looking at its layout.""","""What is Lorem Ipsum:
Lorem Ipsum is simply dummy text of the printing and typesetting industry.

Why do we use it:
It is a long established fact that a reader will be distracted by the readable content of a page when looking at its layout.""","""What is Lorem Ipsum:
Lorem Ipsum is simply dummy text of the printing and typesetting industry.

Where does it come from:
Contrary to popular belief, Lorem Ipsum is not simply random text."""]


new_list =[]   ## Creating an empty list

for i in range(len(my_list)):
    new_list.extend(my_list[i].split(":"))

使用python提取基于文本主题的子文本（数据清理/提取/处理）

1 个答案: