Python中的布尔搜索文本文件

Question

我有一个包含32篇文章的文本文件。每一篇文章都以表达式<Number> of 32 DOCUMENTS开头，例如：1 of 32 DOCUMENTS、2 of 32 DOCUMENTS等。为了查找每一篇文章，我使用了以下代码：

import re 
sections = [] 
current = []
with open("Aberdeen2005.txt") as f:
    for line in f:
        if re.search(r"(?i)\d+ of \d+ DOCUMENTS", line):        
           sections.append("".join(current))
           current = [line]
        else:
           current.append(line)

print(len(sections)) 

现在，文章由表达式sections表示。

我想做的下一件事，是把文章分成两个组。包含以下文字的文章:经济或经济不确定或不确定或不确定和税收或政策，与数字1相同。

而那些包含以下文字的文章:经济或经济和不确定或管制或支出，与数字2相同。这是我迄今所尝试的：

for i in range(len(sections)):
group1 = re.search(r"+[economic|economy].+[uncertainty|uncertain].+[tax|policy]", , sections[i])
group2 = re.search(r"+[economic|economy].+[uncertainty|uncertain].+[regulation|spending]", , sections[i])

然而，这似乎不起作用。知道为什么吗？

Answer 1

这有点冗长，但是您可以在这里不使用正则表达式，例如：

# Take a lowercase copy for comparisons
s = sections[i].lower()
if (('economic' in s or 'economy' in s) and
    ('uncertainty' in s or 'uncertain' in s) and
    ('tax' in s or 'policy' in s)):
    do_stuff()

Answer 2

可以将它写成一个正则表达式，但这有点棘手。对于每个and，您将使用一个零宽度的前瞻性断言(?= )，对于每个or，您将使用一个分支。此外，我们还必须使用\b作为单词边界。我们将使用re.match而不是re.search。

belongs_to_group1 = bool(re.match(
     r'(?=.*\b(?:economic|economy)\b)'
     r'(?=.*\b(?:uncertain|uncertainty)\b)'
     r'(?=.*\b(?:tax|policy)\b)', text, re.I))

因此，不太容易读。

一个更有成效的方法是找出所有的单词，并把它们放在一个集合中。

words = set(re.findall(r'\w+', text.lower()))
belongs_to_group1 = (('uncertainty' in words or 'uncertain' in words)
    and ('economic' in words or 'economy' in words)
    and ('tax' in words or 'policy' in words))

Answer 3

您可以使用re.search查找这些单词。然后，您可以使用if语句以及python的and和or语句作为逻辑，然后将第一组和第二组存储为两个列表，并以节索引号作为值。

您可能需要注意的一点是，您的逻辑可能需要括号。

通过

经济或经济与不确定性或不确定性与税收政策

我猜你是说

(经济或经济)和(不确定性或不确定性)和(税收或政策)

与(例如)不同的

经济或(经济和不确定性)或(不确定和税收)或政策

EDIT1: Python将计算从左到右不带括号的语句，即：

(((经济或经济)和不确定性)或不确定)和税收)或政策)

我想这不是您想要的(例如，如果上面包含了策略这个词，那么上面的结果就是true，但是其他的都不包含)。

EDIT2:正如在评论中指出的那样，EDIT1是不正确的，虽然您仍然需要括号才能实现案例1，但是如果没有它们，您将得到案例2(而案例3是一堆垃圾)。