如何将一串句子重新格式化为每行一个句子 Python

Question

我有一个文件，它只是一个大字符串。在这个字符串中，有些句子以 3 个数字结尾，如下所示：

sees mouse . 1980 1 1 sheep erythrocytes mouse 1980 6 5 seen mouse 1980 8 8

我想更改它，使 file/output 看起来像这样：

sees mouse . 1980 1 1

sheep erythrocytes mouse 1980 6 5

seen mouse 1980 8 8

这是我一直用来尝试解决这个问题的代码：

with open('ngram_test') as f:
for line in f:
    #print(line)
    for word in line.split():
        print(word)

但是，这只会打印字符串中的每个单词和一个换行符。任何帮助将不胜感激！

Answer 1

使用正则表达式，您可以在每个模式出现后添加换行符 (\n)：

import re
s = "sees mouse . 1980 1 1 sheep erythrocytes mouse 1980 6 5 seen mouse 1980 8 8"
pattern = r"(\d{4}\s\d{1,2}\s\d{1,2})"
for match in re.findall(pattern, s):
    s = re.sub(match, f'{match}\n', s)

输出：

'sees mouse . 1980 1 1\n sheep erythrocytes mouse 1980 6 5\n seen mouse 1980 8 8\n'

Answer 2

您需要使用 regexp 并找到所需字符串的索引并稍后删除它们。

import re

pattern = re.compile(r'[a-zA-Z\.\s]+\d{4}\s+?\d{1,2}\s+?\d{1,2}')
print([(m.start(0), m.end(0)) for m in re.finditer(pattern, s)])

假设输入受到问题中提供的字符串的限制，这将起作用。如果不是，则需要扩展模式。

Answer 3

一个单纯形正则表达式应该做

a='sees mouse . 1980 1 1 sheep erythrocytes mouse 1980 6 5 seen mouse 1980 8 8'
count=0
for i in re.finditer('(\d \d \d)',a):
    print(a[count:i.end()].strip())
    count=i.end()

Answer 4

下面的代码正在寻找 3 个数字序列。
请注意，这是初学者级别的解决方案，不涉及正则表达式。

def is_int(value):
    try:
        int(value)
        return True
    except ValueError:
        return False


with open('54928944.txt', 'r') as f:
    numbers_counter = 0
    one_line_words = []
    line = f.read()
    words = line.split(' ')
    for word in words:
        if is_int(word):
            numbers_counter += 1
        else:
            numbers_counter = 0
        one_line_words.append(word)
        if numbers_counter == 3:
            print(' '.join(one_line_words))
            one_line_words = []

Answer 5

此代码有效：

import re  
print(re.sub(r'(\d{4} \d{1,2} \d{1,2} )', r'\n', 'sees
mouse . 1980 1 1 sheep erythrocytes mouse 1980 6 5 seen mouse 1980 8
8'))

Answer 6

要获取列表中的结果，您可以使用 re.split()。

来自re内置库。

>>> import re

>>> with open(ngram_test) as f:
...    s = f.read()

>>> splitted = re.split(r"r"\d*\s\d\s\d"", s)

>>> splitted
>>> ['sees mouse . ', ' sheep erythrocytes mouse ', ' seen mouse ', '']

如何将一串句子重新格式化为每行一个句子 Python

How to reformat a string of sentences to be one sentence per line Python

python

string

split

n-gram

sentence