在python中解析文本时出现问题

Question

我写了一个简短的Python脚本，它解析一个文本文件，以便提取出长度在4到8个字母之间的所有单词，然后将它们写入另一个文本文件。每个单词都应该用引号括起来，后面跟一个逗号。为了测试这个脚本，我从lorem ipsum生成器中抓取了一段文本。然而，输出与脚本的规格不一致。我将在下面的脚本输出中解释这些差异。

代码如下：

import re


with open('loremipsum.txt') as file:
    lines = file.read()

blacklist = [" ", ",", "."]

step_1 = re.split('. | , | ', lines)

with open('ipsumWords.txt', 'w') as f:
    for word in step_1:
        if not word in blacklist:
            if (len(word) > 3 and len(word) < 9):
                f.write("'")
                f.write(word)
                f.write("'")
                f.write(",")

以下是输入文件的简短示例：

西瓜葫芦。后磅小牛、干草或鸭子是、工具棚马。在茄子里，有谷仓、粮车、栅栏、西葫芦、胡萝卜等金属废料。孔雀叫，驼鸟，猫头鹰。四季豆，驼鸟卡车。葫芦对着焊接设备发出嘟嘟声。苹果、鸭子、稻草、燕子、驼鸟、毛驴、干草钩黄瓜。四季豆，驼鸟卡车。将收割机、打包机、香菜、甜瓜混合在一起。

输出如下所示：

‘葫芦’，‘庞德’，‘小牛’，‘马’，‘茄子’，'quonse'，'grai'，'bins'，'grai'，'truck'，'quonse'，'shed'，‘栅栏’，'gate'，'zucchin'，'carrot'，'scra'，'metal'，'Peacock'，'ostriche'，'owls'，'Kidne'，'bean'，'ostric'，'trucks'，'Gourd'，‘'utter'，'weldin'，'equipmen'，'haybine'，'Apple'，'duck'，'straw'，'quai'，'ostriche'，'donkey'，'Kidne'，'bean'，'ostric'，'trucks'，'Combin'，'Harveste'，'swather'，'bale'，'haybin'，'parsley'，'melo'，

输出有几个问题。我将为每一类问题举一个例子。1.有些单词，比如"pounder“，最后一个字母被截断了，变成了"pounde”。2.单词ostriches不仅被截断了s，如果拼写正确，它将有9个字母长

Answer 1

您的主要问题是下面这行中的正则表达式：

step_1 = re.split('. | , | ', lines)

请记住，正则表达式中的.表示“任何字符”，因此表达式.<space>表示“任何后面跟着空格的字符”。这就是为什么有些单词似乎被截断了:以ostriches为例，末尾的s与您的.<space>表达式匹配，因此字符串在该点被拆分，而ostriche位于拆分的左侧。

还要记住，空格很重要，所以表达式<space>,<space>将只匹配两边都有空格的逗号，这可能不是您的意思。

如果您想拆分句点、逗号和空格，则需要如下内容：

step_1 = re.split('[.,]? ')

这将在空格上拆分单词，空格前面可以是.或,。

这会导致step_1具有以下值：

>>> step_1
['Gourds', 'watermelon', 'Post', 'pounder', 'calf', 'hay', 'or',
'duck', 'is', 'tool', 'shed', 'horse', 'In', 'eggplant', 'quonset',
'is', 'grain', 'bins', 'grain', 'trucks', 'quonset', 'pole', 'shed',
'with', 'fences', 'gates', 'zucchini', 'carrots', 'scrap', 'metal',
'Peacocks', 'baa', 'ostriches', 'owls', 'Kidney', 'beans', 'ostrich',
'trucks', 'Gourds', 'utters', 'at', 'welding', 'equipment', 'a',
'oink', 'oink', 'haybine', 'Apples', 'ducks', 'straw', 'quail', 'a',
'ostriches', 'donkey', 'hay', 'hook', 'cucumbers', 'Kidney', 'beans',
'ostrich', 'trucks', 'Combine', 'Harvester', 'swather', 'baler', 'as',
'haybine', 'parsley', 'melon', 'in', 'ha.\n']

这应该会让你更接近你想要的。