【问题标题】:Re-formatting a text file重新格式化文本文件
【发布时间】:2023-03-19 10:45:01
【问题描述】:

我对@9​​87654329@ 还很陌生。我有一个文本文件,里面充满了常见的拼写错误。单词的正确拼写以$ 字符为前缀,以及它之前单词的所有拼写错误版本;每行一个。

mispelling.txt:

$year
eyar
yera
$years
eyars
eyasr
yeasr
yeras
yersa

我想创建一个基于mispelling.txt 的新文本文件,其格式如下所示: new_mispelling.txt:

eyar->year
yera->year
eyars->years
eyasr->years
yeasr->years
yeras->years
yersa->years

单词的正确拼写在其拼写错误的右侧,以->分隔;在同一行。


问题:

我如何读入文件,将$ 读为一个新词,从而在我的输出文件中换一个新行,传播一个输出文件并保存到磁盘?

这样做的目的是让我收集的数据与这个开源维基百科条目 dataset 的格式相同,其中 “all” 是常见的拼写错误的单词,不包含我自己的单词和拼写错误的条目。

【问题讨论】:

  • 你可能想看看这个:github.com/filyp/autocorrect
  • 你已经告诉我们你想要做什么......这是一个故事,而不是一个问题。您能否改写您的问题,以便可以将其作为on-topic 问题来回答?
  • 当然可以。如果我需要进一步更新我的帖子,请告诉我。 @MikeScotty
  • 请使用tour,阅读what's on-topic here、How to Ask和question checklist,并提供minimal reproducible example。 “为我实现此功能”与此站点无关,因为 SO 不是免费的在线编码服务。你必须诚实地尝试,然后就你的算法或技术提出一个具体问题。
  • 公平,我会进一步尝试。我认为糟糕的代码会很糟糕。我确实觉得我已经表达了我的问题,并尽我所能地布置了我的帖子。

标签: python string text


【解决方案1】:

当您逐行处理文件时,如果您发现以$ 开头的单词,请将其设置为“当前有效的正确拼写”。然后后面的每一行都是该单词的拼写错误,因此将其格式化为字符串并将其写入输出文件。

current_word = ""
with open("mispelling.txt") as f_in, open("new_mispelling.txt", "w") as f_out:
    for line in f_in:
        line = line.strip() # Remove whitespace at start and end 
        if line.startswith("$"):
            # If the line starts with $
            # Slice the current line from the second character to the end
            # And save it as current_word
            current_word = line[1:] 
        else:
            # If it doesn't start with $, create the string we want
            # And write it. 
            f_out.write(f"{line}->{current_word}\n")

使用您的输入文件,这给出:

eyar->year
yera->year
eyars->years
eyasr->years
yeasr->years
yeras->years
yersa->years

f"{line}->{current_word}\n" 构造称为f-string,用于在 python 3.6+ 中进行字符串插值。

【讨论】:

  • 谢谢。我会花时间尝试更积极地理解它,我很可能会在未来改变它。
  • 对不起,这似乎是相反的顺序。你的输出实际上是“正确->不正确”。我想要“不正确->正确”
  • 我在您接受之前编辑了我的答案。就像更改f_out.write() 行中的f 字符串一样简单。 @StressdBoi_69420
【解决方案2】:

正则表达式解决方案:

您可以使用模式'\$(\w+)(.*?)(?=\$|$)' 并以$ 开头的每个值与-> 的后续值连接,然后通过\n 将所有这些值连接到捕获的组,最后通过@ 连接所有这些值987654325@。确保使用 re.DOTALL 标志,因为它是一个多行字符串:

import re
txt='''$year
eyar
yera
$years
eyars
eyasr
yeasr
yeras
yersa'''

print('\n'.join('\n'.join('->'.join((v, m.group(1)))
                          for v in m.group(2).strip('\n').split('\n')) for m in
                re.finditer('\$(\w+)(.*?)(?=\$|$)', txt, re.DOTALL)))

输出:

eyar->year
yera->year
eyars->years
eyasr->years
yeasr->years
yeras->years
yersa->years

假设这不是您要求的问题,我将为您保留文件读/写

【讨论】:

  • 感谢您的回复。我会用我的输入文件试试这个。
  • 这个解决方案非常适合作为短而甜美的单线。我既读了又写了。
猜你喜欢
  • 2011-02-10
  • 2020-10-28
  • 2016-08-26
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2015-12-07
相关资源
最近更新 更多