在几个列表中的文本文件中查找模式？

Question

我是一个初学者，已经学习了几个月的python作为我的第一种编程语言。我想从一个文本文件中找到一个模式。我的第一次尝试是使用regex，它确实有效，但有一个局限性：

import re

noun_list = ['bacon', 'cheese', 'eggs', 'milk', 'list', 'dog']
CC_list = ['and', 'or']

noun_list_pattern1 = r'\b\w+\b,\s\b\w+\b,\sand\s\b\w+\b|\b\w+\b,\s\b\w+\b,\sor\s\b\w+\b|\b\w+\b,\s\b\w+\b\sand\s\b\w+\b|\b\w+\b,\s\b\w+\b,\saor\s\b\w+\b'

with open('test_sentence.txt', 'r') as input_f:
    read_input = input_f.read()
    word = re.findall(noun_list_pattern1, read_input)
    for w in word:
        print w
else:
    pass

所以在这一点上，您可能会问为什么列表在这段代码中，因为它们没有被使用。好吧，我一直在绞尽脑汁，在函数中尝试各种for循环和if语句，试图找出复制regex模式的原因，但要使用列表。在

regex的限制是，在“noun_list_pattern”中多次出现的\b\w+\w\代码实际上只查找单词-任何单词-而不是特定的名词。这可能会引起误报。我想通过使用上面列表中的元素而不是正则表达式来缩小范围。在

因为在regex模式中我实际上有4个不同的regex（它包含4|），所以这里我只讨论其中的一个。所以我需要找到一个模式，比如：

'noun in noun_list' + ', ' + 'noun in noun_list' + ', ' + 'C in CC_list' + ' ' + 'noun in noun_list

显然，上面引用的代码行并不是真正的python代码，而是我对所需匹配的想法的一种表达。我说noun in noun_list是指通过名词列表的迭代；C in CC_list是对CC}list的迭代；,是逗号和空白的文本字符串匹配。在

希望我已经说清楚了！在

以下是我正在使用的test_sentence.txt文件的内容：

^{pr2}$

Answer 1

实际上，您不一定需要正则表达式，因为有许多方法可以使用原始列表来完成此操作。在

noun_list = ['bacon', 'cheese', 'eggs', 'milk', 'list', 'dog']
conjunctions = ['and', 'or']

#This assumes that file has been read into a list of newline delimited lines called `rawlines`
for line in rawlines:
    matches = [noun for noun in noun_list if noun in line] + [conj for conj in conjunctions if conj in line]
    if len(matches) == 4:
        for match in matches:
            print match

匹配号为4的原因是4是正确的匹配数。（注意，重复名词或连词也可能是这种情况）。

编辑：

这个版本打印匹配的行和匹配的单词。还修复了可能的多单词匹配问题：

^{pr2}$

但是，如果这不适合您，您可以始终按如下方式构建regex（使用itertools模块）：

#The number of permutations choices is 3 (as revealed from your examples)
for nouns, conj in itertools.product(itertools.permutations(noun_list, 3), conjunctions):
    matches = [noun for noun in nouns]
    matches.append(conj)
    #matches[:2] is the sublist containing the first 2 items, -1 is the last element, and matches[2:-1] is the element before the last element (if the number of nouns were more than 3, this would be the elements between the 2nd and last).
    regex_string = '\s,\s'.join(matches[:2]) + '\s' + matches[-1] + '\s' + '\s,\s'.join(matches[2:-1])
    print regex_string
    #... do regex related matching here

这个方法的警告是，它是纯暴力的，因为它生成两个列表的所有可能的组合（读取排列），然后可以测试每一行是否匹配。因此，它的速度非常慢，但是在这个例子中，如果与给定的匹配（连词前的非逗号），这个将生成完全匹配的结果。在

根据需要进行调整。在

Answer 2

把你的问题分解一下。首先，你需要一个模式来匹配你列表中的单词，而不是其他的。您可以使用交替运算符|和字面单词来实现这一点。^例如，{}将匹配"red"、"green"、或{}，但不是{}。将名词列表与该字符连接，并添加单词边界元字符和括号，以将交替项分组：

noun_patt = r'\b(' + '|'.join(nouns) + r')\b'

对连词列表执行相同的操作：

^{pr2}$

您要进行的总体匹配是“一个或多个noun_patt匹配，每个匹配后面都有一个逗号，后面跟一个匹配的conj_patt，然后再匹配一个noun_patt匹配”。对于正则表达式来说很简单：

patt = r'({0},? )+{1} {0}'.format(noun_patt, conj_patt)

实际上，您并不想使用re.findall()，而是使用re.search()，因为每行只需要一个匹配项：

for line in lines:
...     print re.search(patt, line).group(0)
... 
bacon, cheese and eggs
milk, cheese, and bacon
milk, cheese or eggs
milk, bacon, or eggs

请注意，您已经接近（如果没有碰到）正则表达式在解析英语方面的限制。任何比这更复杂的，您将需要研究实际的解析，也许使用NLTK。在