解析教科书索引

Question

我想解析教科书的索引，但是格式始终不一致。有关如何处理这些条目的任何建议。

罗汉词
单词，##-###
罗的单词，###
父词##
子词，##
没有父母的话毫无意义，###
没有父母的其他＃＃，##
单词没有意义 话语
##, ###-###, ###
育儿字，###-###
子词，##
与育儿相关的专有名词，否则无意义，###

目标是能够通过首先出现的页码对它们进行排序，然后使用孩子的页码将孩子的文本附加到父母的文本之后；取代大孩子。这样Parenting Word child words, ##存在。

Answer 1

我会回来编辑订单并上传图表。

• 如果条目具有页码（仅对有孩子的父母重要）
• 如果条目在输入前后都是字母顺序的（将捕获一些专有名词）
• 如果条目大写（捕获专有名词除外）
• 在找到新的可能的父母之后（孩子的父母填写信息）（资本，而不是最后一个孩子的字母顺序，可能会在页码上查找较大的空白）
• 页码只能在其后附加“ f”以表示图形。 <-以浮点表示法滥用它。
• 建立父母的链表（以帮助捕捉漏掉的专有名词）
  • 父母信息应该是动态的，以便如果专有名词在应为孩子的情况下确实被归类为父母，则可以迅速将其转换为正确的父母。

为帮助识别它是否是专有名词，请比较页码，如果在前一位父母或父母的子女中提到相同的页码或在合理范围内，请将其标记为潜在的专有名词，以供人类复习。

• 设置一个逗号分隔符，并在其周围加上一些魔术，以在其后寻找“ [0-9]”，并在其之前寻找一个单词。而且我们知道[0-9] f？\ n [A-Z]结束了该条目。

这不是很快，但是对于<10,000行文本，应该不太困难。蛮力！