python - 如何在某个未知索引处对字符串输入进行切片

Question

一个字符串作为输入(例如“你叫什么名字？”)。输入 always 包含我要提取的问题。但是我要解决的问题是输入总是带有不需要的输入。

因此输入可以是(但不限于)以下内容:

1- "eo000 ATATAT EG\n\n你叫什么名字？\nkgda dasflkjasn"2- "你的\n姓氏和电子邮件是什么？\ndasf?lkjas"3- "askjdmk。\n鉴于你的技能\n你如何评价自己？\n你的名字是什么？dasf？”

(请注意，在第三个输入中，问题以单词“Given”开头，以“yourself?”结尾)

以上输入示例由pytesseract OCR库扫描图片转文本生成

我只是想从垃圾输入中提取问题，没有别的。

我尝试使用re 库 的find('?', 1) 函数来获取问题最后一部分的索引(目前假设第一个问号始终是问题的结尾，而不是我不想要的输入的一部分)。但是我不知道如何获取问题第一个字母的索引。我尝试反向循环并在输入中找到第一个\n，但问题并不总是在问题的第一个字母之前有\n。

def extractQuestion(q):
    index_end_q = q.find('?', 1)
    index_first_letter_of_q = 0 # TODO
    question = '\n ' . join(q[index_first_letter_of_q :index_end_q ])

Answer 1

查找问题第一个单词索引的方法是搜索具有实际含义的第一个单词(我想您对英语单词感兴趣)。一种方法是使用 pyenchant :

#!/usr/bin/env python

import enchant

GLOSSARY = enchant.Dict("en_US")

def isWord(word):
    return True if GLOSSARY.check(word) else False

sentences = [
"eo000 ATATAT EG\n\nWhat is your name?\nkgda dasflkjasn",
"What is your\nlastname and email?\ndasf?lkjas",
"\nGiven your skills\nhow would you rate yourself?\nand your name? dasf?"]

for sentence in sentences:
    for i,w in enumerate(sentence.split()):
        if isWord(w):
            print('index: {} => {}'.format(i, w))
            break

上面的代码给出了结果:

index: 3 => What
index: 0 => What
index: 0 => Given