Python 从多个列表中的多个元素中查找文本文件中的模式？

我是一名初学者，作为我的第一种编程语言，我已经学习python几个月了。我想从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，但有一个限制：

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

因此，在这一点上，您可能会问，既然这些列表没有被使用，为什么这些列表会出现在代码中。嗯，我一直在绞尽脑汁，尝试函数中的各种for循环和if语句，试图找到复制regex模式的原因，但使用列表

正则表达式的局限性在于，在“名词列表模式”中多次出现的

\b\w+\w\

代码实际上只查找单词（任何单词），而不查找特定的名词。这可能会导致误报。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

由于我在regex模式中实际上有4个不同的regex（它包含4个

|

），所以我将在这里使用其中的1个。因此，我需要找到一种模式，例如：

名词列表中的名词“+”，“名词列表中的名词“+”，“抄送”列表中的“+”，“抄送”列表中的“+”，“抄送”列表中的“+”+”名词

显然，上面引用的代码行不是真正的python代码，而是我对所需匹配的想法的表达。我说的是名词列表中的名词，我指的是名词列表中的一个迭代C是通过CC_列表的迭代

，

是逗号和空格的文本字符串匹配

希望我已经说清楚了

下面是我正在使用的

test_-sensume.txt

文件的内容：

I need to buy are bacon, cheese and eggs. 
I also need to buy milk, cheese, and bacon.
What's your favorite: milk, cheese or eggs.
What's my favorite: milk, bacon, or eggs.

---

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。您可以使用交替运算符

|

和文字来完成这一点<例如，代码>红色|绿色|蓝色，将匹配

“红色”

、

“绿色”

、或

“蓝色”

，但不匹配

“紫色”

。将名词列表与该字符连接起来，并添加单词边界元字符和圆括号，以对备选字符进行分组：

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

对连词列表执行相同的操作：

conj_patt = r'\b(' + '|'.join(conjunctions) + r')\b'

您要进行的整体匹配是“一个或多个

noun\u patt

match，每个可选后跟一个逗号，后跟

conj\u patt

的匹配，然后再匹配一个

noun\u patt

match”。对于正则表达式来说非常简单：

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

您并不是真的想使用

re.findall（）

，而是

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

---

值得注意的是，就解析英语而言，您已经接近了正则表达式的极限。任何比这更复杂的问题，您都需要研究实际的解析，可能是使用NLTK。

稍微分解一下您的问题。首先，你需要一个模式来匹配你列表中的单词，而不是其他。您可以使用交替运算符

|

和文字来完成这一点<例如，代码>红色|绿色|蓝色，将匹配

“红色”

、

“绿色”

、或

“蓝色”

，但不匹配

“紫色”

。将名词列表与该字符连接起来，并添加单词边界元字符和圆括号，以对备选字符进行分组：

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

对连词列表执行相同的操作：

conj_patt = r'\b(' + '|'.join(conjunctions) + r')\b'

您要进行的整体匹配是“一个或多个

noun\u patt

match，每个可选后跟一个逗号，后跟

conj\u patt

的匹配，然后再匹配一个

noun\u patt

match”。对于正则表达式来说非常简单：

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

您并不是真的想使用

re.findall（）

，而是

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

---

值得注意的是，就解析英语而言，您已经接近了正则表达式的极限。如果比这更复杂，您将需要研究实际的解析，可能是使用NLTK。

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

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，重复的名词或连词也可能出现这种情况）

编辑：

此版本打印匹配的行和匹配的单词。还修复了可能的多词匹配问题：

words_matched = []
matching_lines = []

for l in lst:
    matches = [noun for noun in noun_list if noun in l] + [conj for conj in conjunctions if conj in l]
    invalid = True
    valid_count = 0
    for match in matches:
        if matches.count(match) == 1:
            valid_count += 1
    if valid_count == len(matches):
        invalid = False

    if not invalid:
        words_matched.append(matches)
        matching_lines.append(l)

for line, matches in zip(matching_lines, words_matched):
    print line, matches

但是，如果这不适合您，您可以按如下方式构建正则表达式（使用

itertools

模块）：

该方法的警告是，它是纯暴力的，因为它生成两个列表的所有可能组合（读取排列），然后可以测试这两个列表，看看每一行是否匹配。因此，它的速度非常慢，但在本例中，如果匹配给定的值（连词前的非逗号），则该将生成完全精确的匹配

---

根据需要进行调整。

实际上，您不一定需要正则表达式，因为有很多方法可以使用原始列表来实现这一点

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，重复的名词或连词也可能出现这种情况）

编辑：

此版本打印匹配的行和匹配的单词。还修复了可能的多词匹配问题：

words_matched = []
matching_lines = []

for l in lst:
    matches = [noun for noun in noun_list if noun in l] + [conj for conj in conjunctions if conj in l]
    invalid = True
    valid_count = 0
    for match in matches:
        if matches.count(match) == 1:
            valid_count += 1
    if valid_count == len(matches):
        invalid = False

    if not invalid:
        words_matched.append(matches)
        matching_lines.append(l)

for line, matches in zip(matching_lines, words_matched):
    print line, matches

但是，如果这不适合您，您可以按如下方式构建正则表达式（使用

itertools

模块）：

该方法的警告是，它是纯暴力的，因为它生成两个列表的所有可能组合（读取排列），然后可以测试这两个列表，看看每一行是否匹配。因此，它的速度非常慢，但在本例中，如果匹配给定的值（连词前的非逗号），则该将生成完全精确的匹配

---

根据需要进行调整。

您可以发布一个您想要匹配的数据示例吗