Question

我有一个带有Unicode字符的文件，其格式如

a unicode string1 । b unicode string2 ॥ १ ॥ c unicode string3 । d unicode string4 ॥ २ ॥

这里'1'，'2'这些都没有响应数字查询，因为它们是Unicode字符。 '。'之间有空格。和'2'。

现在没有新行，没有休息。我希望在每个候补''之后都有换行符。所以我可以有像

这样的模式

a unicode string1 । b unicode string2 ॥ १ ॥ 
c unicode string3 । d unicode string4 ॥ २ ॥

我尝试了一些正则表达式，但由于我对正则表达式的了解不足而无法实现它。我的代码示例是，它在下面的每个'。'之后提供换行符。

import csv

txt_file = "/path/to/file/file_name.txt"
csv_file = "mycsv.csv"

regex = "॥"

with open(txt_file,'r+') as fr, open('vc','r+') as fw:
    for line in fr:
        fw.write(line.replace(regex,  "॥\n"))

给出的结果如

a unicode string1 । b unicode string2 ॥ 
१ ॥ 
c unicode string3 । d unicode string4 ॥ 
२ ॥

Answer 1

欢迎来到令人困惑的正则表达世界......

我建议使用re库，它可以轻松处理您想要执行的操作。例如：

import re

text = "a unicode string1 । b unicode string2 ॥ १ ॥ c unicode string3 । d unicode string4 ॥ २ ॥"

pattern = '(॥ .{1} ॥ )'

new = re.sub(pattern,
             lambda m: m.groups()[0][:-1] + '\n',
             text)
print(new)

>> a unicode string1 । b unicode string2 ॥ १ ॥ 
   c unicode string3 । d unicode string4 ॥ २ ॥

一点解释：

pattern是定义＆＃39;的正则表达式。 [任何角色]。＆＃39;你希望在之后放置换行符的模式。 .{1}表示任何单个字符＆＃39;，我在第二个॥之后留下了一个空格，\n添加之后 em>空间，并且它不会在下一行的开头处闲逛。整个模式放在括号中，将其标识为单个正则表达式＆＃39;。

此模式用于re.sub，它替换给定字符串中的所有实例。在这种情况下，您希望将其替换为原来的内容以及换行标记。这发生在lambda函数中。

lambda函数在修剪尾随空格（m.groups()[0]）后添加换行符（[:-1]）
后，将匹配的组替换为自身（+\n）
可能有一种更简单的方法可以做到这一点并不涉及使用群组......但是这有效！

Answer 2

这是因为它正在查找＆＃34;的每个实例。。＆＃34;然后在它之后添加一个新行。您可能想要重写循环以找到更具体的示例。

regex = '॥ १ ॥'
txt_file = open("newTextFile.txt", "r")

rawFileString=txt_file.read()
rawFileString=rawFileString.replace(regex,'॥ १ ॥\n')


print(rawFileString)

从这里你可以获得新行，并将此字符串写入新文件等。

注意：这将起作用，因为文本文件中有一个模式。如果您有更复杂的事情，可能需要对文本进行多次替换或其他修改以检索所需的结果。

编辑：虽然这种方法可能会变得混乱，但您可以避免使用非常复杂的正则表达式，并从分隔符的查找实例的索引创建子字符串。

您的文件的图案形式可能对您有用：

txt_file = open("newTextFile.txt", "r")

rawFileString=txt_file.read()


startOfText = 0
delimiter = '॥'


instance1= rawFileString.find(delimiter)
#print rawFileString.find(delimiter)

instance2= rawFileString.find(delimiter, instance1+1)
#print rawFileString.find(delimiter,instance1+1)

counter=0  

#for this while loop you may want to change 10 to be the number of lines in the document multiplied by 2.

while counter<10:
        substring=rawFileString[startOfText:instance2+3]  
        print(substring)
        startOfText = instance2+4 
        instance1 = rawFileString.find(delimiter, startOfText)
        instance2 = rawFileString.find(delimiter, instance1+1)
        counter=counter+1
txt_file.close()

Answer 3

还有另一种方法可以解决，通过考虑“。”这一事实，后面跟一个字母字符始终是新行插入的情况。

s = r'unicode string1 । b unicode string2 ॥ १ ॥ c unicode string3 । d unicode string4 ॥ २ ॥'
occurrences = re.split(r'॥ [a-z]{1,}', s)
for item in occurrences[:-1]:
        print item.strip()+" ॥"
print occurrences[:-1].strip()

用于python的正则表达式来更改一组char

3 个答案: