如何提取与文本文件中的正则表达式匹配的行号答案

【问题标题】：How to extract lines numbers that match a regular expression in a text file如何提取与文本文件中的正则表达式匹配的行号
【发布时间】：2013-06-09 05:20:46
【问题描述】：

我正在做一个关于统计机器翻译的项目，我需要从一个带有 POS 标记的文本文件中提取与正则表达式匹配的行号（任何带有粒子“out”的非分隔短语动词），然后写文件的行号（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'。我想得到一个行号与上述正则表达式匹配的输出文件，并且输出文件每行应该只有一个行号（没有空行），例如：

到目前为止，我的脚本中只有以下内容：

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！

【问题讨论】：

标签： python regex nlp part-of-speech

【解决方案1】：

这应该可以解决您的问题，假设您在变量“短语”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 )

【讨论】：

使用for line_i, line in enumerate(inputFile, 1) 会简化此操作。
非常感谢。唯一我没有澄清的是该短语可能是句子的一部分，所以我将不得不使用 re.findall 而不是 re.match，这很有效！再次感谢:-)

【解决方案2】：

如果你的正则表达式是 grep 友好的，你可以直接用 bash 来做。使用“-n”显示行号

例如：

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

将输出匹配的行与首先包含的行号

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

【讨论】：