如何修复这个正则表达式以捕获字符串的特定字符？

Question

我有一个very_largeString包含一个单词列表和一些id，我想提取所有的单词，它是id，有NC和AQ，在形态学上连续出现，并打印其余的id。例如：

very_largeString= ''' Hola hola I 1
compis compis NCMS000 0.500006
! ! Fat 1

esta este DD0FS0 0.986779
y y CC 0.999962
es ser VSIP3S0 1
que que CS 0.437483
es ser VSIP3S0 1
muy muy RG 1
sencilla sencillo AQ0FS0 1
de de SPS00 0.999984
utilizar utilizar VMN0000 1
, , Fc 1
que que CS 0.437483
si si CS 0.99954
nos nos PP1CP000 0.935743
ponen poner VMIP3P0 1
facilidad facilidad NCFS000 1
con con SPS00 1
las el DA0FP0 0.970954
tareas tarea NCFP000 1
de de SPS00 0.999984
la el DA0FS0 0.972269
casa casa NCFS000 0.979058
pues pues CS 0.998047
mejor mejor AQ0CS0 0.873665
que que PR0CN000 0.562517
mejor mejor AQ0CS0 0.873665
, , Fc 1
pero pero CC 0.999764
tan tan RG 1
antigua antiguo AQ0FS0 0.953488
que que CS 0.437483
según según SPS00 0.995943
mi mi DP1CSS 0.999101
madre madre NCFS000 1
era ser VSII1S0 0.491262
de de SPS00 0.999984
carga carga NCFS000 0.952569
superior superior AQ0CS0 0.992424
'''

这将是所需的输出，因为它们在id的开头有NC和AQ字符：

[('carga', 'NCFS000', 'superior', 'AQ0CS0'), ('carga', 'NCFS000', 'frontal', 'AQ0CS0')]

如何修复regex以提取所有具有idAQ和NC的单词？。我已经准备好了：

regex_ = re.findall(r'^(\w+)\s\w+\s(NCFS000)\s[0-9.]+\n^(\w+)\s\w+\s(AQ0CS0)', very_largeString, re.M)

print regex_

输出只是单词，它与id相关，例如：

 [('word','id'),('word','id')]

Answer 1

我猜你想做一些自然语言处理，你想从一些西班牙语语料库中提取由a noun和a qualifier组成的对。已有用于此类任务的工具。你知道吗

我建议您看看Python Natural Language Tool Kit（NLTK）。你知道吗

另外，我不得不说，在语料库上执行这些操作并不是一项常见的任务，而是在完全自然的文本上执行这些操作。我认为你应该解释一下你的意图，也许你试图达成的解决方案并不是解决你实际问题的最佳方案。你知道吗

帮助我们帮助你。你知道吗

Answer 2

from pprint import pprint
import re
result = re.findall(r'''
    (?mx)              # Muti-line, verbose
    ^                  # Align to beginning of a line
    (\S+)\s+           # Grab first word
    \S+\s+             # Don't care about 2nd word
    (NC\S+)\s+         # 3rd word must have NC
    \S+\n              # End of first line
    ^                  # Next line is identical in form
    (\S+)\s+           # to the first line
    \S+\s+       
    (AQ\S+)\s+         # except 3rd word must have AQ
    \S+\n
''', very_largeString)
pprint (result)