在Python中搜索Unicode字符

Question

我正在研究一个基于Python/NLTK的NLP项目，其中包含非英语unicode文本。为此，我需要在句子中搜索unicode字符串。在

有一个.txt文件与一些非英语unicode语句一起保存。使用NLTKpunkSentenceTokenizer我将它们断开并保存在python列表中。在

sentences = PunktSentenceTokenizer().tokenize(text)

现在我可以遍历列表并分别获得每个sentence。在

---

我需要做的是检查sentence并确定哪个单词具有给定的unicode字符。在

示例-

^{pr2}$

假设上面的文本是非英语unicode，我需要找到以GF结尾的单词，然后返回整个单词（可能是该单词的索引）。在

search = 'SDFGF'

类似地，我需要找到以BB开头的单词。在

search2 = 'BBBSDC'

Answer 1

如果我没听错，你只需把句子分成单词，在每个单词上循环，检查句子是否以所需字符结尾或开头，例如：

>>> sentence = ['AASFG', 'BBBSDC', 'FEKGG', 'SDFGF']
>>> [word for word in sentence.split() if word.endswith("GF")]
['SDFGF']

sentence.split()可能会被nltk.tokenize.word_tokenize(sentence)之类的东西代替

更新，关于评论：

How can get word in-front of that and behind it

enumerate函数可用于给每个单词一个数字，如下所示：

^{pr2}$

如果执行相同的循环，但保留索引：

>>> results = [(idx, word) for (idx, word) in enumerate(sentence) if word.endswith("GG")]
>>> print results
[(2, 'FEKGG')]

…您可以使用索引来获取下一项或上一项：

>>> for r in results:
...     r_idx = r[0]
...     print "Prev", sentence[r_idx-1]
...     print "Next", sentence[r_idx+1]
...
Prev BBBSDC
Next SDFGF

您需要处理匹配第一个或最后一个单词（if r_idx == 0，if r_idx == len(sentence)）的情况