如何用Python正则捕获匹配项前至首个停用词的内容？

要实现捕获数字，同时获取数字前方至最近停用词（最多回溯10个词）的内容，核心是避免贪婪匹配过度，同时限制回溯的词数范围，以下是具体实现方案：

关键思路 #

• 用正则精准匹配停用词作为起始点
• 限制停用词到数字之间的词数最多为10个（含停用词），避免跨范围匹配
• 拆分出两个捕获组：一组是停用词到数字前的内容，另一组是目标数字

实现代码 #

import re

string = 'bla bla, the document nr is 10101 where the other doc nr is 34454 with...'
stopwords = ['a', 'an', 'the']
# 构建停用词正则：匹配任意停用词的单词边界
stopword_pattern = r'\b(?:{})\b'.format('|'.join(stopwords))
# 完整正则：捕获组1=停用词+最多9个后续词，捕获组2=目标数字
# (?:\W+\S+){0,9} 表示最多匹配9个"分隔符+词"组合，加上停用词共10个词
pattern = r'({}(?:\W+\S+){0,9})\W+(\b\d{1,5}\b)'

# 遍历所有匹配结果
for idx, match in enumerate(re.finditer(pattern, string), 1):
    print(f"匹配{idx}：({match.group(1)}) ({match.group(2)})")

代码说明 #

1. 停用词正则：用\b(?:a|an|the)\b确保匹配完整的停用词（避免部分匹配，比如"there"里的"the"），非捕获组(?:...)用于组合选项，不生成额外分组。
2. 词数限制：(?:\W+\S+){0,9}限制停用词后最多跟随9个词（每个词前用非单词字符\W+作为分隔），加上停用词本身，总词数不超过10个，满足"最多回溯10个词"的需求。
3. 捕获组拆分：第一个捕获组(...)抓取停用词到数字前的完整内容，第二个捕获组(\b\d{1,5}\b)抓取目标数字。

输出结果 #

匹配1：(the document nr is) (10101)
匹配2：(the other doc nr is) (34454)

为什么之前的代码失败 #

你之前使用.*作为任意内容匹配，这是贪婪模式，会从第一个停用词一直匹配到最后一个数字，导致范围过大。改用限制词数的精准匹配后，能锁定每个数字最近的停用词范围。

内容的提问来源于stack exchange，提问作者JFerro