在python中解析文本时遇到的问题

我编写了一个简短的Python脚本，它解析一个文本文件，以便提取所有长度在4到8个字母之间的单词，然后将它们写入另一个文本文件。每个单词都应该加引号，后跟逗号。为了测试脚本，我从lorem ipsum生成器中抓取了一段文本。但是，输出与脚本的规格不一致。我将在下面的脚本输出下解释这些差异

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(",")

重新导入
以open（'loremipsum.txt'）作为文件：
lines=file.read（）
黑名单=[“”，“，”，“，”]
步骤1=重新拆分（“.|，|”，行）
以open（'ipsumWords.txt'，'w'）作为f：
对于步骤_1中的word：
如果不是黑名单中的单词：
如果（单词）长度大于3且单词长度小于9）：
f、 写（“”）
f、 写（字）
f、 写（“”）
f、 写（“，”）

以下是输入文件的简短示例：

葫芦和西瓜。后捣碎小牛，干草或鸭子，工具棚马。在茄子上，库斯特是粮仓、粮车库斯特杆棚、栅栏门、西葫芦、胡萝卜、废金属。孔雀咩叫鸵鸟，猫头鹰。芸豆鸵鸟卡车。葫芦在焊接设备上发出咕噜咕噜的声音。苹果鸭子稻草鹌鹑鸵鸟驴子干草钩黄瓜。芸豆鸵鸟卡车。联合收割机打捆机，打捆机如海藤、欧芹、哈密瓜

这是输出的样子：

“葫芦”、“瓜”是，“葫芦”、“磅”是，”。“。“。“葫芦”、“磅”是，”，”。“。“。“。“葫芦”、“瓜”是，“瓜”是，”。“。“。“。“。“瓜”是”、“卡车”、“卡车”、“卡车”是，”他们，”是，“棚”、“栅栏”、“大门”、“栅栏”、“大门”、“大门”、“南瓜”、“中国中国，”，”，”，”小牛”、“小牛”、“小牛”、“金属”、“金属”、“金属”、“孔雀”、“孔雀”、“鸵鸟”、“鸵鸟”、“绑架”、“鸡”、“绑架”、“豆”、“豆”、“黄豆”、“豆”、“鸵鸟”、“豆”、“鸵鸟”、“豆”、“鸵鸟”、“卡车”、“卡车”、“卡车”、“卡车”、“卡车”、“，”，”，”，”豆”、“鸵鸟”、“卡车”、“。“。“。“。“。“。“。“这些，”，”，”，”，”若若若若若若若，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”，”。“。“。“。“。“。“。“豆”、“卡车”、“卡车”、“卡车”、“卡车”、“卡车”、“卡车”、“卡车”、“。“。“。“。“。“。“若，”，”，”，”，”，”，”，”，”，”","combi",，“收获”、“斯沃瑟”、“贝尔”、“干草堆”、“欧芹”、“甜瓜”

输出有几个问题。我将为每一类问题举一个例子。 1.有些单词如“庞德”的最后一个字母被截断，变成了“庞德”

---

2.ostriches is一词不仅s被截断，如果拼写正确，它将有9个字母长

您的主要问题是这一行中的正则表达式：

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

请记住，正则表达式中的

表示“任意字符”，因此表达式

表示“后跟空格的任意字符”。这就是为什么有些单词看起来被截断的原因：例如，以

鸵鸟

为例，末尾的

s

与

表达式匹配，因此字符串在拆分左侧的

鸵鸟

处被拆分

还要记住，空格是有意义的，因此表达式

，

只会将逗号与两边的空格匹配，这可能不是您的意思

如果要在句点、逗号和空格上拆分，则需要以下内容：

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

这将在空白处拆分单词，可以选择前面加

或

，

这导致

步骤_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']

---

这将使您更接近您想要的内容。

您必须使用正则表达式吗？我想我不必这样做，但这似乎是一种在多个分隔符上拆分一行文本的好方法。如果有更好的方法，我洗耳恭听。我建议在设置步骤_1后立即打印出其内容，以确保重新拆分符合您的预期。这是一个很好的建议！非常感谢。成功了！我没有意识到这件事的重要性。那是值得注意的！！谢谢你！！