python - 使用正则表达式提取某些短语，但排除后跟单词 "of"的短语

Question

我基本上是想从一个长文档中提取部分引用。

下面的代码做得很好:

example1 = 'Sections 21(1), 54(2), 78(1) of Harry Potter'
res = re.search(r'Sections?\W+(\w+)(\(\w+\))?(, (\w+)(\(\w+\))?)*', example1)
res.group(0)

输出:“第 21(1)、54(2)、78(1) 条”

但是，这些部分经常引用外部书籍，我想指出这些内容或排除它们。一般来说，如果引用另一本书，则该部分引用后面会跟一个“of”(下面的示例):

example2 = 'Sections 21(1), 54(2), 78(1) of Harry Potter'

因此，在这种情况下，我想排除这些部分，因为它们引用了《哈利·波特》而不是文档中的部分。以下内容应该可以实现此目的，但它不起作用。

example2 = 'Sections 21(1), 54(2), 78(1) of Harry Potter'
res = re.search(r'Sections?(\W+(\w+)(\(\w+\))?(, (\w+)(\(\w+\))?)*)(?!\s+of)', example2)
res.group(0)

预期输出:第 21(1)、54(2)、78 节 --> (?!\s+of) 删除 (1 ) 在 78 后面，但不是整个引用。

Answer 1

您可以使用捕获组和前瞻来模拟原子组:

(?=(?P<section>Sections?\W+(\w+)(\(\w+\))?(, (\w+)(\(\w+\))?)*))(?P=section)(?! of)

Demo

长话短说: * 在正向前瞻中，您创建一个名为 section 的捕获组，用于查找部分模式 * 然后你匹配 (?P=section) 中的组内容 * 然后在负向预测中检查是否没有of跟随

这是一个really good answer这解释了该技术。