Question

我正在做一个关于统计机器翻译的项目，我需要从POS标记的文本文件中提取与正则表达式匹配的行号（任何非分离的短语动词与粒子'out'），并写入行号到文件（在python中）。

我有这个正则表达式：'\ w * _VB。？\ sout_RP'和我的POS标记文本文件：'Corpus.txt'。我想得到一个输出文件，其行号与上述正则表达式匹配，输出文件每行只有一行号（没有空行），例如：

2

5

44

到目前为止，我在脚本中的所有内容如下：

OutputLineNumbers = open('OutputLineNumbers', 'w')
with open('Corpus.txt', 'r') as textfile:
    phrase='\w*_VB.?\sout_RP'
    for phrase in textfile: 

OutputLineNumbers.close()

知道如何解决这个问题吗？

提前感谢您的帮助！

Answer 1

这可以解决你的问题，假设你在变量'phrase'

中有正确的正则表达式

import re

# compile regex
regex = re.compile('[0-9]+')

# open the files
with open('Corpus.txt','r') as inputFile:
    with open('OutputLineNumbers', 'w') as outputLineNumbers:
        # loop through each line in corpus
        for line_i, line in enumerate(inputFile, 1):
            # check if we have a regex match
            if regex.search( line ):
                # if so, write it the output file
                outputLineNumbers.write( "%d\n" % line_i )

Answer 2

如果你的正则表达式是grep友好的，你可以直接使用bash。使用“-n”

显示行号

例如：

grep -n  "[1-9][0-9]" tags.txt

将输出匹配行，其中包含第一个

中包含的行号

2569:vote2012
2570:30
2574:118
2576:7248
2578:2293
2580:9594
2582:577

如何提取与文本文件中的正则表达式匹配的行号

2 个答案: