Python：两个文件之间的逐字文本处理

Question

我是新来的。我有两个文本文件。第一个文件的dialogues格式正确，如下所示。在

    RECEPTIONIST Can I help you?
    LINCOLN Yes. Um, is this the State bank?
    RECEPTIONIST If you have to ask, maybe you shouldn't be here.
    SARAH I think this is the place.
    RECEPTIONIST Fill in the query.
    LINCOLN Thank-you. We'll be right back.
    RECEPTIONIST Oh, take your time. I'll just finish my crossword puzzle.
    oh, wait.

第二个文本文件有7列。在第五栏，我有下面类似对话的单词顺序。在

^{pr2}$

在这里，句号和逗号被视为单词，如果它有3个或更多个句号在一起，比如"..."，那么它应该被视为一个单词。另外，如果单词"Thank-you"（因为它们之间没有空格）应该被视为单个单词。在

现在我想用python编写一个脚本来比较dialogues中的每个单词，然后创建一个新的列（第8列），其中应该显示“谁说这个词”。像下面这样

    Column 5           Column 8
    Can                RECEPTIONIST
    I                  RECEPTIONIST
    help               RECEPTIONIST
    you                RECEPTIONIST
    ?                  RECEPTIONIST  
    yes                LINCOLN
    .                  LINCOLN
    Um                 LINCOLN
    ,                  LINCOLN

因为我对python环境完全陌生。我不知道从哪里开始。请提供你的建议和任何编码技巧！在

第一个文件包含对话，第二个文件包含有关对话的信息

Answer 1

我建议执行以下步骤：

处理文本文件1

在这里，您想将字符串拆分为LEONARD Agreed, what's your point 一组代币。一种简单的方法是使用split(" ")，它将基于空格分割文本，但是您还需要考虑标点符号。在

我建议使用NLTK，一个用于自然语言处理的python库。一个基本的例子将展示这将如何帮助您：

import nltk
sentence = """Hi this is a test."""
tokens = nltk.word_tokenize(sentence)
# output: tokens
['Hi', 'this', "is", 'a', 'test', '.']

一旦你正确地标记了每个句子后，你就会知道它在第二个文本文件中有多少行。在

处理文本文件2

现在您将遍历第二个文本文件中的每一行，检查单词是否与第一步中找到的假定标记匹配。如果是这种情况，则将第一个标记（说出该标记的人的姓名）添加到行的末尾（第8列）。在

只需执行sentence.split(" ")[4]，就可以从字符串TheBigBangTheory.Season01.Episode01.en 1 59.160 0.070 you 0.990 lex中获取单词，在本例中返回you。在

我相信它还需要一些调整，但我将把它留给你。这也许能概括出总体思路。在

祝你好运，巴辛加！在