如何从句子生成符合连续词长度规则的指定键值对字典

嘿，我来一步步教你怎么生成符合要求的字典，完全贴合你描述的规则：

第一步：先处理文本，只保留终止标点前的有效内容 #

首先得把句子里终止标点（句号、问号、冒号、感叹号）后面的内容全部砍掉，只留前面的有效部分。比如如果原句是"The best bballs team is the NYCC State Wa! Let's keep going."，我们就只保留到感叹号之前的部分："The best bballs team is the NYCC State Wa"。

第二步：遍历连续单词对，筛选符合长度规则的键值 #

接下来要逐个检查句子里的每一对连续单词：如果后一个单词的长度刚好比前一个大1（也就是你说的键是长度x的单词，值是长度x+1的单词），就把前一个单词作为键，后一个单词加到对应的值里。要是同一个键后面跟着多个符合要求的单词，就把它们存成元组。

用Python实现的代码示例 #

def build_target_dict(input_sentence):
    # 定义所有需要识别的终止标点
    stop_puncts = {'.', '?', ':', '!'}
    # 截断文本到第一个终止标点的位置
    for pos, char in enumerate(input_sentence):
        if char in stop_puncts:
            input_sentence = input_sentence[:pos]
            break
    # 把文本拆成单词列表（这里用简单的空格分割，要是需要处理复杂分词可以用NLTK之类的工具）
    word_list = input_sentence.strip().split()
    # 初始化结果字典
    result = {}
    # 遍历每一对连续单词
    for i in range(len(word_list) - 1):
        current_word = word_list[i]
        next_word = word_list[i+1]
        # 检查长度是否符合：后一个单词长度 = 前一个 +1
        if len(next_word) == len(current_word) + 1:
            # 处理重复键的情况：如果键已存在，就追加到元组；不存在就新建元组
            if current_word in result:
                result[current_word] += (next_word,)
            else:
                result[current_word] = (next_word,)
    return result

# 测试一下
sample_text = "The best coach bballs team is the NYCC State Wa? Extra words here."
print(build_target_dict(sample_text))
# 假设"best"长度是4，"coach"长度是5（4+1），那输出里就会有{'best': ('coach',)}这样的键值对

几个需要注意的细节 #

• 分词的灵活性：上面的代码用split()按空格分词，要是你需要处理带标点的单词（比如"don't"、"hello,"），可以用专业的分词库（比如Python的nltk.word_tokenize）来提取更准确的纯单词。
• 重复键的处理：如果同一个键后面跟着多个符合长度要求的单词，我们用元组存储值（因为元组不可变，适合作为字典的value），比如句子是"a ab abc abcd"，结果会是{'a': ('ab',), 'ab': ('abc',), 'abc': ('abcd',)}。
• 终止标点的截断逻辑：代码会找到第一个出现的终止标点并截断，要是你需要保留到最后一个终止标点之前的内容，可以改成反向查找最后一个终止标点的位置，再截断。

内容的提问来源于stack exchange，提问作者nycstats