Python程序，用于查找文档列表（字符串）中是否存在某个关键字

问题：一位研究人员收集了数千篇新闻文章。但她想把注意力集中在包括一个特定单词在内的文章上

该功能应符合以下标准：

不要包含关键字字符串仅作为较大单词的一部分显示的文档。例如，如果她正在查找关键字“closed”，则不会包含字符串“enclosed”

她不想让你区分大小写字母。因此，当关键字为“Closed”时，将包含短语“Closed the case.”

不要让句点或逗号影响匹配的内容。关键字为“closed”时将包含“It is closed.”。但是你可以假设没有其他类型的标点符号

我的代码：-

keywords=[“赌场”]
def多词搜索（文档、关键字）：
dic={}
z=[]
对于文档中的word：
i=文档索引（word）
token=word.split（）
new=[j.rstrip（“，”）.lower（）表示令牌中的j]
对于关键字中的k：
如果k.lower（）为新值：
dic[k]=z.append（i）
其他：
dic[k]=[]
返回dic

当给出

文档=['TheLearnPython Challenge casino'，'TheLearnPython Challenge casino'，'他们买了一辆车'，'Casinoville？'，
关键字=['casino']
时，它必须返回
{'casino':[0]}
的值，但得到的却是
{'casino casino:[]}
。
我想知道是否有人可以帮助我？
我会首先使用split（）标记字符串“new”，然后构建一个集合以加快查找速度

如果希望不区分大小写，则需要在两侧降低大小写

for k in keywords:
   s = set(new.split())
   if k in s:
      dic[k] = z.append(i)
   else:
      dic[k]=[]
return dic
   

这并不像看上去那么琐碎。从NLP（自然语言处理）中，将文本拆分为单词并非易事（这称为标记化）

导入nltk
#stemmer=nltk.stem.PorterStemmer（）
def多词搜索（文档、关键字）：
#初始化结果字典
dic={kw:[]表示关键字中的kw}
对于i，枚举中的文档（文档）：
#预处理文档
doc=doc.lower（）
tokens=nltk.word\u标记化（doc）
tokens=[stemmer.stem（token）表示令牌中的令牌]
#搜索每个关键字
对于关键字中的kw：
#kw=阀杆器阀杆（kw.lower（））
千瓦=千瓦下（）
如果以令牌表示：
#如果找到，则添加到结果字典
dic[kw].附加（i）
返回dic
documents=[“学习Python挑战赌场”，“他们买了一辆车”，“赌场？”一些赌场]
关键词=['casino']
多词搜索（文档、关键字）

要增加匹配，可以使用词干（它可以删除复数和动词的词干变化，例如：running->run）
这也应该有效

document=['The Learn Python Challenge Casino', 'They bought a car', 'Casinoville?']
keywords=['casino', 'car']

def findme(term):      
    for x in document:
        val = x.split(' ')
        for v in val:
            if term.lower() == v.lower():
                return document.index(x)
    
for key in keywords:
    n = findme(key)
    print(f'{key}:{n}')

请编辑您的问题，以便正确显示示例。是否必须使用python？使用
grep-i'\bclose\b'path_to_file/*.txt
应该可以很好地工作<代码>'\b'

表示regexp中的单词边界。必须使用python完成此操作。

否则

分支将无所作为，您应该完全删除它…谢谢！这是一个打字错误。我不知道nltk库的使用，你能提供一个简单的方法来解决这个问题吗？是一个简化自然语言处理的库。在这里，它用于拆分文字形式的文档（更简单的方法是在空白

document.split（“”）

）上进行分段）

nltk.word_tokenize

处理诸如“It is the casino！”之类的句子，这些句子分为

['It'、'is'、's'、's'、's'、'！']

段，而不是

['It'、'is'、's'、's'、's！']

。你能简单地告诉我一下，tokenize是如何工作的，因为我有点困惑吗，许多正则表达式应用于文本以解决不同的分段问题，其中一个将取代

按`<然后是

's`by`s`等等。然后在空白处分开，得到一个单词列表。看看你是否需要更多的信息。现在很清楚了。。。资源非常有用