python - 使用 Python 在一个 .txt 文件中搜索单词或短语列表(并显示上下文)

Question

基本上如问题所述。我是 Python 的新手，喜欢通过观察和实践来学习。

我想创建一个脚本，用于在文本文档(例如从新闻文章中复制和粘贴的文本)中搜索某些单词或短语。理想情况下，单词和短语列表将存储在单独的文件中。

在得到结果的时候，如果能得到结果的上下文就好了。所以也许它可以打印出文本文件中找到的每个搜索词前后的 50 个字符。如果它还显示在哪一行找到搜索词，那就太好了。

任何有关如何对此进行编码甚至代码示例的指示都将不胜感激。

Answer 1

尽管 Python 社区中的许多人经常表达对正则表达式的反感，但它们确实是适用于适当用例的宝贵工具——其中肯定包括识别单词和短语(感谢 \b 正则表达式模式中的“单词边界”元素——基于字符串处理的替代方案更成问题，例如，.split() 使用空格作为分隔符，因此令人讨厌地离开标点附在与其相邻的单词上，等等)。

如果 RE 没问题，我会推荐如下内容:

import re
import sys

def main():
  if len(sys.argv) != 3:
    print("Usage: %s fileofstufftofind filetofinditin" % sys.argv[0])
    sys.exit(1)

  with open(sys.argv[1]) as f:
    patterns = [r'\b%s\b' % re.escape(s.strip()) for s in f]
  there = re.compile('|'.join(patterns))

  with open(sys.argv[2]) as f:
    for i, s in enumerate(f):
      if there.search(s):
        print("Line %s: %r" % (i, s))

main()

第一个参数是包含要查找的单词或短语的文本文件(路径)，每行一个，第二个参数(路径)是要在其中查找它们的文本文件。如果需要，可以很容易地使大小写搜索不敏感(可能只是基于命令行选项开关可选)，等等。

对不熟悉 REs 的读者的一些解释...:

patterns 项中的 \b 项确保不会出现意外匹配(如果您正在搜索“cat”或“dog”，则您赢了不会看到“目录”或“失败者”的意外命中；你不会错过“猫，微笑，逃跑”中的一些 split ，认为那里有“猫”这个词，包括逗号； -).

| 项表示或，例如来自包含内容的文本文件(两行)

cat
dog

这将形成 '\bcat\b|\bdog\b' 模式，它将定位“cat”或“dog”(作为独立词，忽略标点符号，但拒绝命中在更长的词中)。

re.escape 转义标点符号，因此它按字面匹配，而不是像通常在 RE 模式中那样具有特殊含义。