Python正则表达式模式匹配：匹配括号(T1,T2,T3,T4)前后3到4个单词

实现思路 #

通过正则分组分别捕获括号前缀、括号内容、括号后缀三个部分，再对结果做简单清洗即可得到括号前后相邻的3~4个目标单词。

完整可运行代码 #

import re

# 原始输入字符串
raw_str = "First, after preprocessing, citation data are carefully analysed for the analysis tasks (T1, T2, T3, T4) to establish a new ranking model."

# 正则规则：分别捕获括号前3-4个单词、括号内容、括号后3-4个单词
regex = r'((?:\b\w+\b\W+){3,4})\([^)]+\)((?:\W+\b\w+\b){3,4})'
res = re.search(regex, raw_str)

if res:
    # 清洗结果，去除多余标点和空白符
    before_words = [item.strip(',. ') for item in res.group(1).split() if item.strip(',. ')]
    after_words = [item.strip(',. ') for item in res.group(3).split() if item.strip(',. ')]

    print("括号前3-4个单词：", before_words)
    print("括号后3-4个单词：", after_words)

运行输出结果 #

括号前3-4个单词： ['for', 'the', 'analysis', 'tasks']
括号后3-4个单词： ['to', 'establish', 'a', 'new']

规则说明 #

• 正则中的{3,4}代表匹配3到4个单词，如果你只需要固定匹配3个单词，直接把该参数修改为{3}即可
• 中间的\([^)]+\)可以匹配任意括号包裹的内容，如果你只需要匹配T1-T4格式的括号内容，可以替换为\(T[1-4](?:, T[1-4])*\)缩小匹配范围
• \b为词边界标识符，可以避免把标点符号误识别为单词的一部分

内容的提问来源于stack exchange，提问作者Muhammad Bilal Rehman