我如何计算 2 个预定义单词之间的单词数？

Question

<replace-add>that I don't know you know cause</replace-add>that I can help you with <replace-del>oh</replace-del> <replace-add>us</replace-add>谢谢，所以我只是安排了一个旅程<replace-del>for@987654328 @@<replace-add>from</replace-add>我的女儿<replace-del>tenah Dyer</replace-del><replace-add>clear dire</replace-add>

如何计算文本中<replace-add> 和</replace-add> 之间的确切字数。

Answer 1

不使用任何库：

def get_tag_indexes(text, tag, start_tag):
    tag_indexes = []
    start_index = -1

    while True:
        start_index = text.find(tag, start_index + 1)

        if start_index != -1:
            if start_tag:
                tag_indexes.append(start_index + len(tag))
            else:
                tag_indexes.append(start_index)
        else:
            return tag_indexes

text = """<replace-add>that i dont know you know cause</replace-add> i could help you with <replace-del>that oh</replace-del> <replace-add>us</replace-add> thanks so i just set up a ride <replace-del>for</replace-del> <replace-add>from</replace-add> my daughter <replace-del>tenah dyer</replace-del> <replace-add>clear dire</replace-add>"""

tag_starts = get_tag_indexes(text, "<replace-add>", True)
tag_ends = get_tag_indexes(text, "</replace-add>", False)

for start, end in zip(tag_starts, tag_ends):
    words = text[start:end].split()
    print "{} words - {}".format(len(words), words)

给你：

7 words - ['that', 'i', 'dont', 'know', 'you', 'know', 'cause']
1 words - ['us']
1 words - ['from']
2 words - ['clear', 'dire']

这使用一个函数来返回任何给定文本的位置列表。然后可以使用它来提取两个标签之间的文本。

---

作为一种替代方法，这实际上也可以使用 beautifulsoup 来完成：

from bs4 import BeautifulSoup

text = """<replace-add>that i dont know you know cause</replace-add> i could help you with <replace-del>that oh</replace-del> <replace-add>us</replace-add> thanks so i just set up a ride <replace-del>for</replace-del> <replace-add>from</replace-add> my daughter <replace-del>tenah dyer</replace-del> <replace-add>clear dire</replace-add>"""
soup = BeautifulSoup(text, "lxml")

for block in soup.find_all('replace-add'):
    words = block.text.split()
    print "{} words - {}".format(len(words), words)

Answer 2

根据来源的可信度，您可以做两件事。鉴于此

source = """<replace-add>that i dont know you know cause</replace-add> i could help you with <replace-del>that oh</replace-del> <replace-add>us</replace-add> thanks so i just set up a ride <replace-del>for</replace-del> <replace-add>from</replace-add> my daughter <replace-del>tenah dyer</replace-del> <replace-add>clear dire</replace-add>"""

你可以像这样使用正则表达式：

import re

from itertools import chain

word_pattern = re.compile(r"(?<=<replace-add>).*?(?=</replace-add>)")
re_words = list(chain.from_iterable(map(str.split, word_pattern.findall(source))))

这只有在源与这些标签完全匹配且没有属性等情况下才有效。

标准库中的另一个选项是 HTML 解析：

from html.parser import HTMLParser

class MyParser(HTMLParser):
    def get_words(self, html):
        self.read_words = False
        self.words = []
        self.feed(html)
        return self.words

    def handle_starttag(self, tag, attrs):
        if tag == "replace-add":
            self.read_words = True

    def handle_data(self, data):
        if self.read_words:
            self.words.extend(data.split())

    def handle_endtag(self, tag):
        if tag == "replace-add":
            self.read_words = False


parser = MyParser()
html_words = parser.get_words(source)

这种方法会更可靠，并且可能会更有效，因为它使用完全专注于这项任务的工具。

现在，做

print(re_words)
print(html_words)

我们得到

['that', 'i', 'dont', 'know', 'you', 'know', 'cause', 'us', 'from', 'clear', 'dire']
['that', 'i', 'dont', 'know', 'you', 'know', 'cause', 'us', 'from', 'clear', 'dire']

（当然，这个列表的len是字数。）

如果您严格要求字数，您可以只保留一个运行总和，并将遇到的每个数据的 data.split 的长度添加到该总和中。

如果您真的无法进行任何导入，您将不得不做出一些牺牲，或者必须实现自己的正则表达式引擎/html 解析器。如果这是家庭作业的要求，那么您确实应该在发布问题之前表现出一些努力。