{a1}是用于分析的中文文本
文件纯文本文件如下所示:
# CC-CEDICT
# Community maintained free Chinese-English dictionary.
#
# Published by MDBG
% % [pa1] /percent (Tw)/
21三體綜合症 21三体综合症 [er4 shi2 yi1 san1 ti3 zong1 he2 zheng4] /trisomy/Down's syndrome/
3C 3C [san1 C] /abbr. for computers, communications, and consumer electronics/China Compulsory Certificate (CCC)/
3P 3P [san1 P] /(slang) threesome/
A A [A] /(slang) (Tw) to steal/
文件有4列,用空格隔开。第四个空格之后的任何空格都被认为是一个。需要跳过以#
开头的行。在
例如,对于生产线:
3C 3C [san1 C] /abbr. for computers, communications, and consumer electronics/China Compulsory Certificate (CCC)/
列中的内容将是
目前,我尝试使用str.split
和re.findall
混合使用str.startswith()
跳过行,即:
看起来str和regex操作可以类似于单个regex,并且可以使用组提取列。如何使用regex组读取cedict(一个空格分隔的文件)?
我还尝试了4组正则表达式:
(.*)\s(.*)\s(\[([^]]*)\])\s(\/.*\/)
但不知何故,第一个(.*)\s
是贪婪的,它捕获了整行:https://regex101.com/r/1c0O0E/1
我试过了:
.+\s(\[([^]]*)\])\s(\/.*\/)
第一个.+\s
捕获直到它看到[
。但这意味着我必须使用str.split()
来获取前2列。在
使用“non-space”(
\S
)而不仅仅是“anything”(.
):我还添加了文本开头和测试结束锚(
^
&;$
)以排除与所需模式不匹配的任何行(例如注释行)。在演示:https://regex101.com/r/0QNzVi/3
相关问题 更多 >
编程相关推荐