Как извлечь химические термины с помощью регулярных выражений

Question

Мне нужно извлечь химические термины с помощью регулярных выражений в Python.Например, учитывая следующую входную строку, мне нужно извлечь вывод:

входная строка:

"the common composition consists of 3,4,5-trihydroxybenzaldehyde and 4-(1-imidazolyl)benzaldehyde, and mixture thereof."

список вывода:

['the', 'common', 'composition', 'consists', 'of', '3,4,5-trihydroxybenzaldehyde', '4-(1-imidazolyl)benzaldehyde', 'and', 'mixture', 'thereof']

Спасибо за вашу помощь.

Answer 1

Скорее всего, нам понадобится более сложное выражение, чем:

\b[a-z0-9-,)(]+\b

Однако наш желаемый результат может быть возвращен здесь в этом конкретном примере.

Демо

Тест

# coding=utf8
# the above tag defines encoding for this document and is for Python 2.x compatibility

import re

regex = r"\b[a-z0-9-,)(]+\b"

test_str = "the common composition consists of 3,4,5-trihydroxybenzaldehyde and 4-(1-imidazolyl)benzaldehyde, and mixture thereof."

matches = re.finditer(regex, test_str, re.MULTILINE | re.IGNORECASE)

for matchNum, match in enumerate(matches, start=1):

    print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))

    for groupNum in range(0, len(match.groups())):
        groupNum = groupNum + 1

        print ("Group {groupNum} found at {start}-{end}: {group}".format(groupNum = groupNum, start = match.start(groupNum), end = match.end(groupNum), group = match.group(groupNum)))

# Note: for Python 2.7 compatibility, use ur"" to prefix the regex and u"" to prefix the test string and substitution.