关于python：正则表达式匹配大写单词，以及周围的+ – 4个单词

Regext to match capitalized word, and the surrounding +- 4 words

我有一堆文件，我对发现提到的临床试验感兴趣。这些字母总是用大写字母表示(如Aspire)。我想匹配所有大写的单词，超过三个字母。我还想要周围的+4个单词作为上下文。

以下是我目前拥有的。这是可行的，但没有通过下面的测试。

1
2
3
4

import re
pattern = '((?:\w*\s*){,4})\s*([A-Z]{4,})\s*((?:\s*\w*){,4})'
line = r"Lorem IPSUM is simply DUMMY text of the printing and typesetting INDUSTRY."
re.findall(pattern, line)

相关讨论

您可以在Python中使用这段代码，该代码分两步完成。首先，我们将输入拆分为4+个字母大写的单词，然后在匹配的两边找到最多4个单词。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

import re

str = 'Lorem IPSUM is simply DUMMY text of the printing and typesetting INDUSTRY'

re1 = r'\b([A-Z]{4,})\b'
re2 = r'(?:\s*\w+\b){,4}'

arr = re.split(re1, str)

result = []

for i in range(len(arr)):
if i % 2:
result.append( (re.search(re2, arr[i-1]).group(), arr[i], re.search(re2, arr[i+1]).group()) )

print result

代码演示

输出：

1	[('Lorem', 'IPSUM', ' is simply'), (' is simply', 'DUMMY', ' text of the printing'), (' text of the printing', 'INDUSTRY', '')]

。

在左侧，您可以匹配任何单词字符\w+一次或多次，后面跟任何非单词字符\w+一次或多次。将这两种方法组合成一个非捕获组，重复4次{4}，就像(?:\w+\W+){4}。

然后在一个组中捕获3个或更多的大写字符([A-Z]{3,})。

或者在右边，你可以将单词和非单词字符的匹配转为与左边的匹配的(?:\w+\W+){4}。

埃多克斯1〔6〕

捕获的组将包含大写单词，而捕获上的组将包含周围的单词。