在 python 中导航文本文件搜索

Question

这是我正在使用的文本文件的示例：

<Opera>

Tristan/NNP
and/CC
Isolde/NNP
and/CC
the/DT
fatalistic/NN
horns/VBZ
The/DT
passionate/JJ
violins/NN
And/CC
ominous/JJ
clarinet/NN
;/:

正斜杠后面的大写字母是奇怪的标签。我希望能够在文件中搜索诸如 "NNP,CC,NNP" 之类的内容，并让程序返回此段 "Tristan and Isolde"（这三个词）与这三个标签相匹配的一行。

我遇到的问题是我希望用户输入搜索字符串，因此它总是不同的。
我可以读取文件并找到一个匹配项，但我不知道如何从该点向后计数以打印第一个单词或如何查找下一个标签是否匹配。

Answer 1

从要搜索的标签列表动态构建正则表达式：

text = ("Tristan/NNP and/CC Isolde/NNP and/CC the/DT fatalistic/NN horns/VBZ "
    "The/DT passionate/JJ violins/NN And/CC ominous/JJ clarinet/NN")

tags = ["NNP", "CC", "NNP"]
tags_pattern = r"\b" + r"\s+".join(r"(\w+)/{0}".format(tag) for tag in tags) + r"\b"
# gives you r"\b(\w+)/NNP\s+(\w+)/CC\s+(\w+)/NNP\b"

from re import findall
print(findall(tags_pattern, text))

Answer 2

>>> import re 
>>> s = "Tristan/NNP and/CC Isolde/NNP and/CC the/DT fatalistic/NN horns/VBZ The/DT passionate/JJ violins/NN And/CC ominous/JJ clarinet/NN ;/:"
>>> re.findall("(\w+)/NNP (\w+)/CC (\w+)/NNP", s)
[('Tristan', 'and', 'Isolde')]

同样，您可以做您需要的事情。

编辑：更普遍。

>>> import re
>>> pattern = 'NNP,CC,NNP'
>>> pattern = pattern.split(",")
>>> p = ""
>>> for i in pattern:
...     p = p + r"(\w+)/"+i+ r"\n"
>>> f = open("yourfile", "r")
>>> s = f.read()
>>> f.close()
>>> found = re.findall(p, s, re.MULTILINE)
>>> found #Saved in found
[('Tristan', 'and', 'Isolde')]
>>> found_str = " ".join(found[0]) #Converted to string
>>> f = open("written.txt", "w")
>>> f.write(found_str)
>>> f.close()

Answer 3

看来您的源文本可能是由 自然语言工具包 (nltk)。

使用 nltk，您可以对文本进行标记，将标记拆分为 (word,part_of_speech) 元组，然后迭代 ngram 以查找与模式匹配的内容：

import nltk
pattern = 'NNP,CC,NNP'
pattern = [pat.strip() for pat in pattern.split(',')]
text = '''Tristan/NNP and/CC Isolde/NNP and/CC the/DT fatalistic/NN horns/VBZ
          The/DT passionate/JJ violins/NN And/CC ominous/JJ clarinet/NN ;/:'''
tagged_token = [nltk.tag.str2tuple(word) for word in nltk.word_tokenize(text)]
for ngram in nltk.ingrams(tagged_token,len(pattern)):
    if all(gram[1] == pat for gram,pat in zip(ngram,pattern)):
        print(' '.join(word for word, pos in ngram))      

产生

Tristan and Isolde

---

相关链接：

• 对单词进行分类和标记（NLTK 书的第 5 章）