Question

我有一个UTF8编码的txt文件，包含拉丁字母（包括重音字母）中的（大多数）单词，以及希腊语（包括变音符号）中的（一些）单词。

我想找到所有希腊语“句子”（即希腊字母表中的单词，用空格和/或常用标点符号分隔，但没有拉丁字符），并用相同的句子替换，但包含在\ greektext中{...} LaTeX命令。

E.g。应该用\ greektext {Пάτριοςπολιτεία}取代Пάτριοςπολιτεία

基本问题是，是否有可能选择希腊语单词组，即上面定义的希腊语“句子”，用sed。

Answer 1

我认为像这样的正则表达式可能会让你公正：

/([\u0370-\u03FF\u0400-\u04FF]+\s+[\u0370-\u03FF\u0400-\u04FF]+)+/

\u0370-\u03FF是希腊语和科普特语块，\u0400-\u04FF是西里尔语块。

对所有指定的字符执行charinfo这些块将覆盖您：

% charinfo Пάτριος πολιτεία
U+041F CYRILLIC CAPITAL LETTER PE [Lu]
U+03AC GREEK SMALL LETTER ALPHA TONOS [Ll]
U+03C4 GREEK SMALL LETTER TAU [Ll]
U+03C1 GREEK SMALL LETTER RHO [Ll]
U+03B9 GREEK SMALL LETTER IOTA [Ll]
U+03BF GREEK SMALL LETTER OMICRON [Ll]
U+03C2 GREEK SMALL LETTER FINAL SIGMA [Ll]
U+03C0 GREEK SMALL LETTER PI [Ll]
U+03BF GREEK SMALL LETTER OMICRON [Ll]
U+03BB GREEK SMALL LETTER LAMBDA [Ll]
U+03B9 GREEK SMALL LETTER IOTA [Ll]
U+03C4 GREEK SMALL LETTER TAU [Ll]
U+03B5 GREEK SMALL LETTER EPSILON [Ll]
U+03AF GREEK SMALL LETTER IOTA TONOS [Ll]
U+03B1 GREEK SMALL LETTER ALPHA [Ll]

但是AFAIK sed并不能很好地处理多字节字符。以下Perl脚本可以使用：

#!/usr/bin/perl -p
use open qw(:std :utf8);
s/([\x{0370}-\x{03FF}\x{0400}-\x{04FF}]+\s+[\x{0370}-\x{03FF}\x{0400}-\x{04FF}]+)+/\\greektext{$&}/u'

用法：

perl my_script.pl < my_input > my_output

用sed包装/替换希腊语编码中的句子

1 个答案: