Python中利用正则表达式统计特定标记词后的单词数量

本教程旨在详细讲解如何在python中使用正则表达式精确统计文本字符串中，特定下划线标记词（例如`_earth`）后出现的单词数量。文章提供了两种核心解决方案：分别针对仅统计标记词之后的单词，以及将标记词本身也纳入统计的场景。通过深入解析正则表达式模式和提供完整的python代码示例，帮助开发者高效、灵活地处理此类文本分析任务。

在文本处理和数据分析中，经常需要从非结构化字符串中提取并统计特定模式后的信息。例如，在一个包含描述性文本的字符串中，我们可能需要找出某个特定标记词（如 _Earth）之后的所有单词并进行计数。本文将详细介绍如何利用Python的 re 模块和正则表达式来实现这一目标，并提供两种不同场景下的解决方案。

核心概念：正则表达式基础

正则表达式（Regular Expression, Regex）是一种强大的文本模式匹配工具。在本文中，我们将用到以下核心概念：

• _: 匹配字面量下划线。
• \w+: 匹配一个或多个单词字符（字母、数字、下划线）。
• \s: 匹配一个空白字符（空格、制表符、换行符等）。
• +: 量词，表示匹配前一个元素一次或多次。
• (): 捕获组，用于捕获匹配到的子字符串。

方法一：仅统计下划线标记词之后的单词

此方法的目标是从字符串中提取并统计某个以下划线开头的词（例如 _Earth）之后的所有单词，但不包括该标记词本身。

正则表达式模式

_\w+\s([\w\s]+)

模式解析

1. _\w+: 这部分匹配以下划线 _ 开头，后跟一个或多个单词字符的序列。这精确地定位了我们的“下划线标记词”（例如 _Earth）。
2. \s: 紧随其后，匹配一个空白字符。这确保了标记词与后续单词之间至少有一个分隔符。
3. ([\w\s]+): 这是一个捕获组。
   • [\w\s]: 匹配一个单词字符或一个空白字符。
   • +: 表示匹配前一个字符集一次或多次。
   • 因此，([\w\s]+) 捕获了标记词之后的所有单词字符和空白字符，直到字符串结束或不再符合模式为止。这正是我们希望统计的单词序列。

Python 实现示例

import re

testString = '21 High Street _Earth Mighty Motor Mechanic'
pattern = r'_\w+\s([\w\s]+)'

match = re.search(pattern, testString)
if match:
    # match.group(1) 获取捕获组的内容，即“Mighty Motor Mechanic”
    words_after_tag = match.group(1).split()
    count = len(words_after_tag)
    print(f"原始字符串: '{testString}'")
    print(f"下划线标记词之后的单词数量（不含标记词本身）: {count}")
    print(f"提取到的单词列表: {words_after_tag}")
else:
    print("未找到下划线标记词或其后没有单词。")

代码说明

• re.search(pattern, testString): 在 testString 中查找与 pattern 匹配的第一个位置。如果找到，返回一个匹配对象；否则返回 None。
• match.group(1): 当找到匹配时，match.group(1) 返回第一个捕获组（即 ([\w\s]+)）所匹配到的内容。在这个例子中，它将返回 "Mighty Motor Mechanic"。
• .split(): 这是一个字符串方法，默认情况下会根据空白字符将字符串分割成一个单词列表。例如，"Mighty Motor Mechanic".split() 将得到 ['Mighty', 'Motor', 'Mechanic']。
• len(words_after_tag): 计算列表中元素的数量，即单词的总数。

方法二：统计包含下划线标记词在内的所有后续单词

此方法的目标是提取并统计从下划线标记词（例如 _Earth）开始，到其后所有单词的总数。这意味着标记词本身也会被纳入计数。

Onlook

专为前端设计师和开发者打造的视觉编辑工具

108

查看详情

立即学习“Python免费学习笔记（深入）”；

正则表达式模式

(_\w+\s[\w\s]+)

模式解析

1. (_\w+\s[\w\s]+): 整个模式被包裹在一个捕获组中。
   • _\w+: 匹配下划线标记词（例如 _Earth）。
   • \s: 匹配标记词后的一个空白字符。
   • [\w\s]+: 匹配一个或多个单词字符或空白字符的序列，覆盖了标记词之后的所有单词。
   • 通过将整个序列放入一个捕获组，我们可以一次性捕获从标记词开始到字符串末尾的所有相关单词。

Python 实现示例

import re

testString = '21 High Street _Earth Mighty Motor Mechanic'
pattern = r'(_\w+\s[\w\s]+)'

match = re.search(pattern, testString)
if match:
    # match.group(1) 获取捕获组的内容，即“_Earth Mighty Motor Mechanic”
    words_including_tag = match.group(1).split()
    count = len(words_including_tag)
    print(f"原始字符串: '{testString}'")
    print(f"包含下划线标记词在内的所有后续单词数量: {count}")
    print(f"提取到的单词列表: {words_including_tag}")
else:
    print("未找到下划线标记词或其后没有单词。")

代码说明

• 与方法一类似，re.search() 用于查找匹配项。
• match.group(1) 此时将返回 "_Earth Mighty Motor Mechanic"，因为它包含了整个捕获组的内容。
• .split() 和 len() 的使用方式与方法一相同，但现在计数结果会包含下划线标记词本身。

选择与注意事项

• 根据需求选择： 两种方法的核心区别在于是否将下划线标记词纳入统计。开发者应根据具体的业务需求选择合适的正则表达式。如果需要分析标记词 之后 的内容，选择方法一；如果标记词本身也是分析对象的一部分，则选择方法二。
• re.search vs re.findall： 在本教程的场景中，我们通常只需要找到第一个下划线标记词及其后的单词，因此 re.search 是合适的选择，它返回第一个匹配对象。如果字符串中可能存在多个下划线标记词，并且需要对每个标记词后的单词进行独立统计，可能需要结合 re.finditer 或更复杂的循环逻辑。
• 字符串末尾处理： 提供的正则表达式会匹配到字符串中最后一个单词。如果标记词后没有单词，match.group(1) 可能会是空字符串或不匹配，示例代码已包含 if match: 检查以避免错误。
• 空白字符处理： split() 方法默认会处理一个或多个连续的空白字符，并移除结果中的空字符串，这通常符合单词计数的预期。

总结

通过本文，我们学习了如何利用Python的 re 模块和两种不同的正则表达式模式，灵活地统计文本中特定下划线标记词之后的单词数量。理解正则表达式的捕获组机制是解决此类问题的关键。选择正确的模式能够确保数据处理的准确性和效率，从而在各种文本分析任务中发挥重要作用。掌握这些技术将大大提升你在处理非结构化文本数据时的能力。

以上就是Python中利用正则表达式统计特定标记词后的单词数量的详细内容，更多请关注php中文网其它相关文章！