cv的xdm可以直接翻到 需求 和 代碼 用，想看中間的分析就老實(shí)往下看吧

little 背景

最近在做畢設(shè)，需要將幾百篇整體結(jié)構(gòu)差不多的文章中提取出一些內(nèi)容，所以才有了這個(gè)blog。

需求

獲取文章中指定開頭、指定結(jié)尾中所夾的內(nèi)容。其中，開頭和結(jié)尾均有多種，但最多也就十幾種，所以代碼還是具有可行性的。

例：

X X 市 人 民 檢 察 院 指 控 ： ‾ \underline{XX市人民檢察院指控：} XX市人民檢察院指控：?被告人XXX與被害人YYY（女，歿年41歲，系XXX妻子）因家庭矛盾多次發(fā)生爭執(zhí)。X年Y月Z日早晨,被告人XXX在X市X市場…被告人XXX為偏執(zhí)性精神障礙，具有限制刑事責(zé)任能力。
公 訴 機(jī) 關(guān) 認(rèn) 為 ‾ \underline{公訴機(jī)關(guān)認(rèn)為} 公訴機(jī)關(guān)認(rèn)為?，被告人XXX故意非法剝奪他人生命，致一人死亡，其行為應(yīng)以故意殺人罪追究刑事責(zé)任

所需內(nèi)容為：第一個(gè)下劃線到第二個(gè)下劃線中間的內(nèi)容，即“被告人XXX…責(zé)任能力。”。其中，“檢察院指控”是指定開頭，“公訴機(jī)關(guān)認(rèn)為”是指定結(jié)尾。

解決方案

原本想著NLP有沒有現(xiàn)成的庫可以直接調(diào)包，后來搜了半天沒搜到，然后看到了正則表達(dá)式（真香）。

代碼

低配方法：

適用于只有一種固定開頭和結(jié)尾，多種就不行了

import re
def GetMiddleStr(content,startStr,endStr):
#     patternStr = r'.*%s(.+?)%s.*'%(startStr,endStr) # 此模式不能跨段，‘.'只能匹配除了'\n'外所有單個(gè)字符
    patternStr = r'[\s\S]*%s(.+?)%s[\s\S]*'%(startStr,endStr)
#     patternStr = re.compile(patternStr,re.IGNORECASE) # 忽略大小寫 ，這個(gè)適用于英文文章
    middleStr= re.match(patternStr,content)
    if middleStr:
        return middleStr.group(1)

中配方法：

適用于多種固定開頭和結(jié)尾，不過是蠻力法，可以優(yōu)化判斷，減少循環(huán)次數(shù)

import re
def GetMiddleStr2(content,startStr,endStr):
#     patternStr = r'.*%s(.+?)%s.*'%(startStr,endStr)
    goalStr = str('')
    
    for sStr in startStr:
        for eStr in endStr:
            patternStr = r'[\s\S]*%s(.+?)%s[\s\S]*'%(sStr,eStr)
            middleStr= re.match(patternStr,content)
            if middleStr:
                if not goalStr: # 判斷 空 時(shí)候的值
                    goalStr = middleStr.group(1)
                else:        # 非空時(shí)，將將短的留下來 
                    goalStr = middleStr.group(1) if len(goalStr)>len(middleStr.group(1)) else goalStr
                    
    return goalStr

運(yùn)行效果

content='且得到被害人家屬諒解。綜上，建議法庭對被告人XXX減輕處罰。經(jīng)審理查明：被告人XXX與被害人YYY因家庭矛盾多次發(fā)生爭執(zhí)。X年Y月Z日清晨,被告人XXX在X市X市場......被告人XXX為偏執(zhí)性精神障礙，具有限制刑事責(zé)任能力。公訴機(jī)關(guān)認(rèn)為，被告人XXX故意非法剝奪他人生命，致一人死亡，其行為應(yīng)以故意殺人罪追究刑事責(zé)任'
startStr = '經(jīng)審理查明：'
endStr = '公訴機(jī)關(guān)認(rèn)為，'
print(GetMiddleStr(content,startStr,endStr))

第二種運(yùn)行時(shí)將startStr和endStr分別賦值為：[‘AAA’,‘BBB’,…]，即可
例如:
startStr = [‘審理查明：’,‘審理查明:’,‘檢察院指控’]
endStr = [‘經(jīng)鑒定’,‘經(jīng)鑒定，’, ‘歸案后’]

代碼講解

正則表達(dá)式查一下手冊即可：
.*：除了’\n’以外所有字符重復(fù)多次
[\s\S]:空白字符或者非空白字符，即所有字符（一個(gè)集合∪它在全集中的補(bǔ)集，即全集）
其余查一下手冊就ok
正則表達(dá)式手冊

到此這篇關(guān)于Python 獲取指定開頭指定結(jié)尾所夾中間內(nèi)容的文章就介紹到這了,更多相關(guān)Python 獲取指定開頭指定結(jié)尾中間內(nèi)容內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論