regex- using CategorizedPlaintextCorpusReader, чтобы найти n-й экземпляр слова

Question

У меня есть свод газет в виде сырых текстовых файлов, и я хотел бы получить от них редакционные статьи. Большинство редакционных статей начинаются после третьего экземпляра слова «РЕДАКЦИЯ» во всех шапках и заканчиваются нижним колонтитулом «sfbg».

Моя идея - использовать регулярные выражения python для извлечения этих редакций. Я использую CategorizedPlaintextCorpusReader.

Я пробовал искать список методов CategorizedPlaintextCorpusReader самостоятельно, но я пришел пустым.

Answer 1

хорошо, регулярное выражение, чтобы найти текст «после 3-го экземпляра слова РЕДАКЦИИ и перед окончанием разделителя„SFBG“» является:

(.*?EDITORIAL){3}(?<content>.*?)sfbg

Вот в consituent части:

(.*?EDITORIAL){3} - находит все до третьего использования слова «РЕДАКЦИЯ», используя не-жадный (более безопасный - избегает сопоставления слишком барахло) wildcard .*? и умножая всю группу на {3}.

(?<content>.*?) - названная группа совпадений «содержание». это совпадение, которое вы хотите, оно просто соответствует до ...

sfbg - окончательный разделитель.

regex101 demo