我试图提取所有文本，包括类别（即A、B、C）。
A <some text1> B <some text2> C <some text3> 然而，当我应用这个正则表达式时 –
ptrn='\n[A-z]*\t' pattern1= '(.*)'+ptrn f = re.findall(pattern1,test_doc) 它返回的结果是
f[0] = A <some text1> f[1] = <some text2> f[2] = <some text3> 但我想要的是 –
f[0] = A <some text1>f[0] = B <some text2> f[2] = C <some text2> http://csmining.org/tl_files/Project_Datasets/r8%20r52/r8-test-all-terms.txt
这个链接包含了许多文档的原始文本。每个文档具有以下模式：
category<tab><sometext> \n 因此，整个语料库看起来像这样：
category<tab><sometext1> \n category<tab><sometext2> \n..我想要的是
doc[0] = category<tab><sometext1>doc[1] = category<tab><sometext2>..依此类推任何答案/提示都将非常有帮助 🙂
回答：
尝试使用以下模式：
import repattern = r"(\w+)(\t)(.*)(\b)"解释
(\w+)匹配任何单词字符，一次或多次\t字面匹配制表符(.*)匹配除行终止符之外的所有内容(\b)是单词边界
