Python实现OCR书页文本按关键词分组为章节及索引遍历问题排查

我来帮你搞定这个分组问题！你遇到的索引跳过和逻辑错误，主要是因为原代码里的两个坑：list.index()的局限性，以及迭代器使用不当。咱们一步步来解决：

先分析原代码的问题 #

1. test_list.index(f)的隐患：这个方法只会返回第一个匹配元素的索引，如果有多个页面包含相同的关键词文本，会导致起始索引记录错误。比如如果你的列表里有两页都是'hi'，index()只会返回第一个'hi'的位置，后面的就都错了。
2. 迭代器使用逻辑错误：你初始化的indices列表会包含重复的起始索引（比如例子里的[0,0,3]），用iter遍历的时候，每次调用next(it)会直接移动指针，导致切片范围完全不符合预期，甚至最后会抛出StopIteration异常。

正确的解决方案：先收集准确的起始索引，再分组 #

我们先准确记录所有包含关键词的页面索引，然后根据这些索引把列表切成连续的章节组，完全避免索引跳过的问题：

代码示例 #

# 你的测试列表
test_list = ['is the', 'best', 'and', 'is so', 'popular']
# 章节起始页的关键词
keyword = 'is'

# 第一步：收集所有章节起始页的索引（用enumerate准确获取每个匹配项的位置）
start_indices = []
for idx, page_text in enumerate(test_list):
    if keyword in page_text:
        start_indices.append(idx)

# 第二步：根据起始索引拆分章节
chapters = []
for i in range(len(start_indices)):
    current_start = start_indices[i]
    # 下一个章节的起始位置就是当前章节的结束位置，最后一组直接到列表末尾
    current_end = start_indices[i+1] if (i+1) < len(start_indices) else len(test_list)
    chapters.append(test_list[current_start:current_end])

print(chapters)
# 输出：[['is the', 'best', 'and'], ['is so', 'popular']]

验证你的另一个测试案例 #

针对关键词'hi'的情况，同样适用：

test_list = ['hi','yes', 'hi you', 'me']
keyword = 'hi'

start_indices = [idx for idx, page in enumerate(test_list) if keyword in page]
chapters = []
for i in range(len(start_indices)):
    start = start_indices[i]
    end = start_indices[i+1] if i+1 < len(start_indices) else len(test_list)
    chapters.append(test_list[start:end])

print(chapters)
# 输出：[['hi', 'yes'], ['hi you', 'me']]

为什么这个方法靠谱？ #

• 准确记录起始位置：用enumerate遍历每个页面的索引和内容，确保每个包含关键词的页面位置都被正确记录，不会遗漏或重复。
• 清晰的分组逻辑：通过遍历起始索引列表，每个章节的范围明确是从当前起始页到下一个起始页（最后一组到列表末尾），完全符合你要保留起始页并分组的需求。

内容的提问来源于stack exchange，提问作者steca