Question

在我的论文中，我需要添加一个首字母缩略词列表。我想知道它是如何编程的。我找到了很好的实用程序pdfgrep，它也可以获得正则表达式。我以这样的方式使用它：

pdfgrep "([A-Z]+)" thesis.pdf

这是我为此目的找到的最好的正则表达式，尽管它也是单个大写字母。有没有人有更好的解决方案？我编写了一个处理输出的Python代码：

import subprocess 
import shlex
import re

FOLDER = 'full folder'
THESIS = '%s/thesis.pdf'%(FOLDER)
OUTPUT_FILE = '%s/acronymsInMyThesis.txt'%(FOLDER)
PATTERN = '([A-Z]+)'

def searchAcronymsInPDF():
    output = pdfSearch()
    acrs = []
    for reg in re.findall(PATTERN, output):
        reg.strip()
        if (len(reg)>1):
            acrs.append(reg)
    return set(acrs)

def pdfSearch():
    command = 'pdfgrep "%s" %s'%(PATTERN,THESIS)
    output = shellCall(command)
    return output

def shellCall(command):
    p = subprocess.Popen(shlex.split(command), stdout=subprocess.PIPE)
    out, _ = p.communicate()
    return out

if __name__ == '__main__':
    acrs = searchAcronymsInPDF()
    print(acrs)

Answer 1

视为首字母缩略词（我相信你的情况）仅限首都。然后你需要添加的是

PATTERN = '[A-Z][A-Z]+'

将检查至少2个大写字母。

Answer 2

答案很大程度上取决于你认为什么是首字母缩略词，正如m.buettner所说。

作为一般性建议，您可以使用[A-Z]{2,}|([A-Z].){2,}[A-Z]?，它将匹配以下内容：

AS | ASD | etc. (two or more)
A.S. | A.S.D. | etc. (two or more letters+period, ending with period)
A.S.D | A.S.D.F | etc. (two or more letters+period, ending without period)

<强>更新

另一个建议（给出“ToC”示例）将是[A-Z][a-zA-Z]*[A-Z]，它匹配以大写字母开头和结尾的字符串：ToC，TOC，WOW，WoW，TOoTS等。

Answer 3

我会选择([A-Z][a-zA-Z0-9+\.\&]*[A-Z0-9])\W这应该通过允许任何小写组合来捕捉WW P＆amp; L，P + P等。

我还强烈考虑使用PyEnchant，因为它可以让你看看你的疑似首字母缩略词是否在指定的字典中。

如何在pdf文件中找到首字母缩写词

3 个答案: