python的正则表达式更改一组字符

Question

我有一个带有Unicode字符且格式如下的文件

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

这里的“ १”，“ २”不响应数字查询，因为它们是Unicode字符。 。之间有空格 和“ २”。

现在没有换行，没有休息。 我想在每隔一个'。'之后加上换行符 这样我就可以像

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

我尝试过很少的正则表达式，但由于我对正则表达式的了解不足而无法实现。 我的代码示例为，在下面的每个“。”之后提供了换行符。

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"))

它给像这样的结果

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式世界...

我建议使用re库，它可以轻松处理您想做的事情。 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：

1. pattern是定义'。的正则表达式 [任何字符]。 您想在其后放置换行符的模式。 .{1}意思是“任何单个字符”，第二个॥之后我留了一个空格 \\n会在空格后添加，并且不会在下一行的开头徘徊。 整个模式放在方括号中，将其标识为单个正则表达式“组”。
2. 此模式用在re.sub中，它将替换给定字符串中的所有实例。 在这种情况下，您想将其替换为原来的内容，再加上换行标记。 这在lambda函数中发生。
3. 在剪裁尾随空格（ [:-1] ）并添加换行符（ +\\n ）之后，lambda函数用其自身替换匹配的组（ m.groups()[0] ）。

可能有一种更简单的方法，该方法不涉及使用组...但这是可行的！

Answer 2

这是因为它正在查找“”的每个实例，然后在其后放置新行。 您可能需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)

从这里您可以换行，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。 如果您有更复杂的内容，则可能需要对文本进行多次替换或其他修改才能检索所需的结果。

编辑：尽管此方法可能会变得凌乱，但您可以避免使用非常复杂的正则表达式，并从定界符的find实例的索引创建子字符串。

您的文件看起来有图案的方式可能对您有用：

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

还有一种解决方法，通过考虑以下事实：换行插入始终是“ character”，后跟字母字符的情况。

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()