python - 使用正则表达式查找段落中出现特定短语后的所有名词短语

Question

我有一个段落数据框，我(*可以)将其拆分为单词标记和句子标记，并希望找到包含以下短语的任何实例后的所有名词短语:“贡献于”或“捐赠于”发生。

或者确实是某种形式，所以:

"Contributions are welcome to be made to the charity of your choice." 

---> would return: "the charity of your choice"

和

"blah blah blah donations, in honor of Firstname Lastname, can be made to ABC Foundation"

---> would return: "ABC Foundation"

我创建了一个正则表达式解决方法，可以在大约 90% 的情况下捕获正确的短语...见下文:

text = nltk.Text(nltk.word_tokenize(x))
donation = TokenSearcher(text).findall(r"<\.> <.*>{,15}? <donat.*|contrib.*> <.*>*? <to> (<.*>+?) <\.|\,|\;> ")
donation = [' '.join(tokens) for tokens in donation]
return donation

我想清理该正则表达式以消除“{,15}”要求，因为它缺少一些我需要的值。然而，我对“贪婪”表达式不太熟悉，无法让它正常工作。

所以这句话:

While she lived a full life , had many achievements and made many 
**contributions** , FirstName is remembered by most for her cheerful smile ,
colorful track suits , and beautiful necklaces hand made by daughter FirstName .
FirstName always cherished her annual visit home for Thanksgiving to visit
brother FirstName LastName

正在返回:“visit Brother FirstName Lastname”，因为之前提到了贡献，尽管“to”这个词在 15 个单词之后才出现。

Answer 1

看起来您正在努力解决如何将搜索条件限制为单个句子的问题。因此，只需使用 NLTK 将文本分解为句子(它比仅查看句点做得更好)，您的问题就消失了。

sents = nltk.sent_tokenize(x)  # `x` is a single string, as in your example
recipients = []
for sent in sents:
    m = re.search(r"\b(contrib|donat).*?\bto\b([^.,;]*)", sent)
    if m:
        recipients.append(m.group(2).strip())

对于进一步的工作，我还建议您使用比 Text 更好的工具，它用于简单的交互式探索。如果您确实想对文本进行更多操作，nltk 的 PlaintextCorpusReader 是您的 friend 。