正则表达式未匹配全部结果：词典文本词性标识提取异常

嘿，我来帮你排查下问题——你的统计结果远低于实际次数，主要是两个核心问题：正则表达式的匹配范围太窄，加上代码逻辑只统计了每个定义里的最后一个匹配项！咱们一步步拆解修复：

1. 代码逻辑的致命问题：只取最后一个匹配项 #

先看你的这段代码：

temp_var = re.findall('\w+[.]+ ',split)
if len(temp_var) >=1 :
    temp_var = temp_var.pop()  # 这里只拿了最后一个匹配结果！
    typ_dict[temp_var] = typ_dict.get(temp_var,0) + 1

re.findall会返回当前定义里所有符合正则的匹配项，比如你给的Abnormal定义里有adj.、n.、adv.三个词性标识，但你用pop()只取了最后一个adv.，直接漏掉了前两个！这是统计次数严重偏低的最主要原因。

修复逻辑：遍历所有匹配结果 #

把代码改成遍历findall返回的每一个匹配项：

for row in cur:
    # 替换成你实际获取definition字段的方式，比如row[2]或者row['definition']
    definition = row['definition']
    # 先获取所有匹配的词性标识
    matches = re.findall(r'\b([A-Za-z]+\.)\b', definition)
    # 逐个统计
    for match in matches:
        # 可选：统一转小写，避免Adj.和adj.被分开统计
        # match_norm = match.lower()
        # typ_dict[match_norm] = typ_dict.get(match_norm, 0) + 1
        typ_dict[match] = typ_dict.get(match, 0) + 1

# 筛选高频结果
for key, count in typ_dict.items():
    if count > 50:
        print(f"{key}: {count}")

2. 正则表达式的匹配缺陷 #

你的原正则\w+[.]+ 有几个限制：

• 强制要求后面跟空格：比如定义里的n. (pl. -ies)，n.后面是左括号不是空格，原正则完全匹配不到；
• \w+包含数字和下划线：可能会误匹配类似123.或者abc_.的非词性内容；
• [.]+匹配多个句号：虽然不影响，但词性标识一般都是单个句号，没必要匹配多个。

优化后的正则方案 #

推荐用这个正则来覆盖所有常见场景：

r'\b([A-Za-z]+\.)\b'

解释下各个部分：

• \b：单词边界，确保我们匹配的是完整的词性标识（不会把abc.def.里的def.误当成词性）；
• [A-Za-z]+：只匹配大小写字母，避免数字、下划线干扰；
• \.：精准匹配单个句号；
• 末尾的\b：允许词性标识后面跟空格、括号、逗号、分号、换行等任意非字母字符，覆盖所有定义里的常见格式。

如果想要更精准，可以用正向预查明确指定允许的后续字符：

r'([A-Za-z]+\.)(?=\s|\(|\)|,|;|\.|$)'

(?=\s|\(|\)|,|;|\.|$)表示匹配后面跟着空格、括号、逗号、分号、句号或者字符串结尾的情况，进一步减少误匹配。

验证示例 #

用你提供的测试文本：

Aback - adv. take aback surprise, disconcert. [old english: related to *a2]
Abm - abbr. Anti-ballistic missile
Abnormal - adj. Deviating from the norm; exceptional. abnormality n. (pl. -ies). Abnormally adv. [french: related to *anomalous]

修复后的代码会匹配到：adv.、abbr.、adj.、n.、adv.，总共5个匹配项，而原代码只会统计adv.、abbr.、adv.这3个，直接漏掉了adj.和n.——这就是你统计结果偏低的核心原因！

额外小建议 #

• 统一大小写：把匹配结果转成小写（match.lower()），可以避免Adj.和adj.被当成两个不同的词性统计；
• 后续手动核验：高频匹配结果里大概率都是真实的词性标识，少量非词性的缩写可以手动剔除，符合你的计划。

内容的提问来源于stack exchange，提问作者Ctrl