Python 返回正则表达式语句实例之间的子字符串列表

我正在为一个NLP问题预处理《詹姆斯王圣经》，并希望检索以下格式的诗句列表： “XX:XX诗文”

NLTK中包含的Gutenberg KJV语料库项目已经有了这样的诗句格式，但我正在努力将它们提取为子字符串

我试图构造一个正则表达式语句来提取这些子字符串，但我得到的只是韵文标签（参见代码）

我希望从我的代码中收到如下列表：

['1:1起初，上帝创造了天地， “地是虚空的，没有形状；深渊的表面是黑暗的。神的灵在水面上移动。”，……等等

相反，我得到的是这样的列表：

['1:1'、'1:2'、…等]

---

非常感谢您抽出时间！

这对我来说很有用：

import re
from nltk.corpus import gutenberg

kjv = gutenberg.raw('bible-kjv.txt')

pattern = re.compile(r"(\d+:\d+.*?)\n\n", re.MULTILINE | re.DOTALL)
res = pattern.findall(kjv)

我更改了正则表达式，以便它可以找到“X:X”，然后在找到两个连续的换行符（

\n\n

）之前找到尽可能少的字符，这是如何分隔韵文的。要切换到所谓的“非贪婪”正则表达式限定符，只需在其后附加一个

？

，例如

c*？

（找到尽可能少的连续c，包括一个也没有）

我还预先编译了正则表达式，以提高搜索长文本时的性能，即使增益很小。有些诗句跨越多行，因此我必须设置

多行

和

DOTALL

标志。前者允许正则表达式使用多行，而后者允许

标记pture换行符，通常不会。仅供参考：这是一个很好的地方，可以尝试正则表达式并获得关于您正在做什么的文本解释。在您的示例中，我非常确定

[^（\d+：\d+）]

没有做您期望它做的事情。这与

[^（）\d+：]相同

因为它是一组无序的字符。此外，将正则表达式放入原始字符串（

r'（my）？Regex'

）是一种很好的做法，请参见中的第三段。此外，删除括号内文本的第一个正则表达式看起来过于复杂。您可以使用

r'\[.\]'

。

import re
from nltk.corpus import gutenberg

kjv = gutenberg.raw('bible-kjv.txt')

pattern = re.compile(r"(\d+:\d+.*?)\n\n", re.MULTILINE | re.DOTALL)
res = pattern.findall(kjv)