在第一次出现特定单词之前提取三个单词

Question

我一直在尝试在特定单词第一次出现之前提取三个单词。 例如， 输入：喀拉拉邦高等法院管辖区。 已知词：管辖权。 输出：喀拉拉邦高等法院

---

我已经尝试了以下常规例外，但没有成功。

m = re.search("((?:\S+\s+){3,}\JURISDICTION\b\s*(?:\S+\b\s*){3,})",contents)
print(m)

Answer 1

这是多种方法：

# Method 1
# Split the sentence into words and get the index of "Jurisdiction"
data = "Word Kerala High Court Jurisdiction"
words = data.split()
new_data = words[words.index('Jurisdiction')-3:words.index('Jurisdiction')]
print(new_data)  # ['Kerala', 'High', 'Court']

# Method 2
# Split the sentence to "Jurisdiction" and the text before into word
data = "Word Kerala High Court Jurisdiction"
new_data = data.split('Jurisdiction')[0].split()[-3:]
print(new_data)  # ['Kerala', 'High', 'Court']


# Method 3
# Using regex
import re

data = "Word Kerala High Court Jurisdiction"
new_data = re.search(r"(\w+\W+){3}(?=Jurisdiction)", data)
print(new_data.group())  # Kerala High Court

---

• （）{3}：捕获组，重复3次。
  • \ w+：匹配一个和无限时间之间的单词字符。
  • \ w+：匹配一个与一个和无限时间之间的单词字符不同的字符。
• （？=）：正lookahead。
• 管辖权：匹配管辖权。

Answer 2

您可以为此使用re，该模式看起来像：^（[\ w]+）管辖权

import re
s = """Kerala High Court Jurisdiction."""
print(re.findall(r"^([\w ]+)Jurisdiction", s)[0].strip().split())
# ['Kerala', 'High', 'Court']

说明：

re.findall(r"^([\w ]+)Jurisdiction", s)

给您['Kerala High Court']

[0].strip().split()

获取上述列表的第一个元素，剥离空格，然后将其分配在空格上。

Answer 3

matches = re.findall(r'(?:\b\w+\s+){3}(?=Jurisdiction)', contents, flags = re.I)
for match in matched:
    print(match)

该表达在“管辖权”一词之前寻找三个单词。

re.i是为了使其案例不敏感。

您应该使用前向外观（？= ...）检查匹配是否在模式之前。您可以删除？=，如果要在匹配中包含管辖权。

Answer 4

关于您尝试过的模式：

• 使用 {3,} 重复 3 次或以上，而不是恰好 3 次
• 您不必转义 \J
• 模式以 < 结尾code>\s*(?:\S+\b\s*){3,} 这意味着在匹配 JURISDICTION 后应该出现重复模式。
• 您在整个模式，但您只能捕获其中的部分 https://docs.python.org/3/library/re.html

要提取第一次出现之前的 3 个单词，您可以使用 re.search，并使用捕获组而不是前瞻。

(\S+(?:\s+\S+){2})\s+JURISDICTION\b

模式匹配：

• ( 捕获组 1
  • \S+ 匹配 1 个以上非空白字符
  • (?:\s+\S+){2} 重复 2 次匹配 1 个以上空白字符和 1 个以上非空白字符
• ) 关闭组 1
• \s+JURISDICTION\b 匹配 1 个以上空白字符，JURISDICTION 后跟单词边界

请参阅 正则表达式演示。

例如，使用 re.I 进行不区分大小写的匹配：

import re

pattern = r"(\S+(?:\s+\S+){2})\s+JURISDICTION\b"
s = "Kerala High Court Jurisdiction"

m = re.search(pattern, s, re.I)

if m:
    print(m.group(1))

输出

Kerala High Court