Python:搜索一对关键字前后的词

Question

我使用以下代码打开一个文本文件，删除 HTML，并搜索某个关键字前后的单词:

import nltk
import re

text = nltk.clean_html(open('file.txt').read())
text = text.lower()

pattern = re.compile(r'''(?x) ([^\(\)0-9]\.)+ | \w+(-\w+)* |  \.\.\. ''')
text = nltk.regexp_tokenize(text, pattern)

#remove the digits from text
text = [i for i in text if not i.isdigit()]

# Text is now a list of words from file.txt
# I now loop over the Text to find all words before and after a specific keyword

keyword = ['foreign']
for i, w in enumerate(text):  #it gives to the list items numbers
    if w in keyword:
        before_word = text[i-5:i-1] if i > 0 else ''
        before_word = ' '.join(word for word in before_word)
        after_word = text[i+1:i+5] if i+1 < len(text) else ''
        after_word = ' '.join(word for word in after_word)
        print "%s <%s> %s" % (before_word, w, after_word)

如果 keyword 是一个词，则此代码效果很好。但是，如果我想找到 'foreign currency' 前后的 5 个单词怎么办？问题在于，在 text 中，所有由空格分隔的单词都是 text 列表中的不同项目。我不能做 keyword = ['foreign currency']。我该如何解决这个问题？

示例 .txt 文件 here.

Answer 1

你考虑过正则表达式吗？

这将匹配并捕获 foreign currency 之前的五个词和之后的五个词

((\w+ ){5})foreign currency(( \w+){5})

编辑:此正则表达式会在制表符、引号、逗号、括号等处中断。并且提供的“要查找的单词示例”没有后面的 5 个单词，因此无法匹配。

这是一个更新的正则表达式，最多 5 个词，后面有 1-5 个词，短语使用由“非单词”字符分隔的“非空格”字符作为单词，并将其捕获为一组，包括搜索文本:

((\S+\W){5}foreign currency(\W\S+){1,5})

否则，你可以尝试:

1. 将所有文本连接成一行，没有换行符
2. 使用 something = text.find('foreign currency') 找到该文本的第一个位置
3. 从那里倒数，逐个字符寻找空格，共 5 个单词
4. 从末尾向前数，逐个字符查找空格，共 5 个单词
5. 循环所有这些，使用 something = text.find('foreign currency', previous_end_pos) 告诉它在上一步结束后开始寻找下一个实例。