[英]Extracting text from a .tex document with Python regular expressions
我正在嘗試從LaTeX文件中檢索一堆文本,該文本由諸如
\newcommand{\lhaac}{% 2
Olkoot tapahtumat A = 'kortti on musta', B = 'kortti on hertta' ja
C = 'kortti on kuvakortti tai ässä'. Lausu seuraavat tapahtumat joukkojen A,B ja C sekä joukko-operaatioiden avulla\\% ja laske todennäköisyydet \\
\textbf{a)} Kortti on musta kuvakortti tai musta ässä\\
\textbf{b)} Kortti on ruutu\\
\textbf{c)} Kortti ei ole ruutu, mutta se on kuva tai ässä\\
\textbf{d)} Kortti on joko punainen tai se on arvoltaan 2-10, mutta ei molempia
}
%__________
\newcommand{\lhaacv}{%
a) Kortti on musta kuvakortti tai musta ässä = Kortti on musta ja kortti on kuvakortti tai ässä: $A\cap C$,\\
b) Kortti on ruutu = kortti ei musta ja ei hertta: $\overline{A}\cap\overline{B} = \overline{A\cup B}$\\
c) (Kortti on musta tai hertta) ja kortti on kuva tai ässä:\\ $(A\cup B)\cap C = (A\cap C)\cup (B\cap C)$ \\
d) Kortti on punainen kuvakortti tai musta pikkukortti:\\ $(\overline{A}\cap C)\cup (A\cap \overline{C}) = (\overline{A}\cup \overline{C})\backslash (\overline{A}\cap \overline{C})$
}
使用re.findall
,我想在每個命令中緊跟\\lh
之后訪問3個字母的代碼以及命令的內容或定義,這意味着在命令名定義之后的大括號之間包含整個文本塊。
解析3個字母的代碼不是問題,但\\newcommand{\\lhaac}{<contents>}
證明很難獲得\\newcommand{\\lhaac}{<contents>}
所有內容的訪問權限,因為LaTeX源代碼可能包含花括號和反斜杠以及其他討厭的東西,這使得很難表達我要訪問的內容實際上是如何結束的(因為大括號會結束命令定義)。 注釋行
%__________
每個命令后都不能相信它存在。
我已經嘗試過這個和這個 ,對於初學者來說。 在第一種情況下,匹配在遇到第一個}
之后停止,而在第二個示例中,開始{
之后的幾乎所有東西都被匹配,正如預期的那樣。 嘗試更復雜的東西像這似乎是一個簡單的測試情況下工作,但輸入文件中找到的實際塊產生不匹配。
因此,我在尋求幫助以解開這個難題。 我似乎看不到我在這里缺少什么。 在最后一種情況下,我認為我已經介紹了普通文本,數學(內聯$<math here>$
和顯示$$<math here>$$
)以及命令( \\<command name>[<optional argument>]{<mandatory argument>}
),帶或不帶參數。 環境,例如
\begin{<environment name>}[<optional argument>]{<mandatory argument>}
<contents>
\end{<environment name>}
仍然缺少,但是以后可以輕松覆蓋。
根據re.findall
文檔 ,它應該返回一個元組列表(因為我在正則表達式中有多個捕獲組),每個元組的第三個元素是三字母代碼,第二個元素是命令內容。 在這種情況下,返回的第一個元組(包含在列表中)將是
[("aac", "% 2
Olkoot tapahtumat A = 'kortti on musta', B = 'kortti on hertta' ja
C = 'kortti on kuvakortti tai ässä'. Lausu seuraavat tapahtumat joukkojen A,B ja C sekä joukko-operaatioiden avulla\\% ja laske todennäköisyydet \\
\textbf{a)} Kortti on musta kuvakortti tai musta ässä\\
\textbf{b)} Kortti on ruutu\\
\textbf{c)} Kortti ei ole ruutu, mutta se on kuva tai ässä\\
\textbf{d)} Kortti on joko punainen tai se on arvoltaan 2-10, mutta ei molempia
")]
干得好:
= ^ .. ^ =
import re
raw_string = """\newcommand{\lhaac}{% 2
Olkoot tapahtumat A = 'kortti on musta', B = 'kortti on hertta' ja
C = 'kortti on kuvakortti tai ässä'. Lausu seuraavat tapahtumat joukkojen A,B ja C sekä joukko-operaatioiden avulla\\% ja laske todennäköisyydet \\
\textbf{a)} Kortti on musta kuvakortti tai musta ässä\\
\textbf{b)} Kortti on ruutu\\
\textbf{c)} Kortti ei ole ruutu, mutta se on kuva tai ässä\\
\textbf{d)} Kortti on joko punainen tai se on arvoltaan 2-10, mutta ei molempia
}
%__________
\newcommand{\lhaacv}{%
a) Kortti on musta kuvakortti tai musta ässä = Kortti on musta ja kortti on kuvakortti tai ässä: $A\cap C$,\\
b) Kortti on ruutu = kortti ei musta ja ei hertta: $\overline{A}\cap\overline{B} = \overline{A\cup B}$\\
c) (Kortti on musta tai hertta) ja kortti on kuva tai ässä:\\ $(A\cup B)\cap C = (A\cap C)\cup (B\cap C)$ \\
d) Kortti on punainen kuvakortti tai musta pikkukortti:\\ $(\overline{A}\cap C)\cup (A\cap \overline{C}) = (\overline{A}\cup \overline{C})\backslash (\overline{A}\cap \overline{C})$
}
%__________
"""
remove_command = re.sub(r'\newcommand{\\', '', raw_string)
codes = re.findall('lh\w+', remove_command)
part_1 = []
for item in codes:
part_1.append(item[2::])
result2 = re.findall(r'{.*?}\n%_+', remove_command, re.DOTALL)
part_2 = []
for item in result2:
clean_1 = re.sub(r'{%', '', item)
clean_2 = re.sub(r'\n}\n%_+', '', clean_1)
part_2.append(clean_2)
result = zip(part_1, part_2)
輸出:
aac
2
Olkoot tapahtumat A = 'kortti on musta', B = 'kortti on hertta' ja
C = 'kortti on kuvakortti tai ässä'. Lausu seuraavat tapahtumat joukkojen A,B ja C sekä joukko-operaatioiden avulla\% ja laske todennäköisyydet \
extbf{a)} Kortti on musta kuvakortti tai musta ässä\
extbf{b)} Kortti on ruutu\
extbf{c)} Kortti ei ole ruutu, mutta se on kuva tai ässä\
extbf{d)} Kortti on joko punainen tai se on arvoltaan 2-10, mutta ei molempia
------------------------------------------------------------------------------------------------------------------------------------------------------
aacv
a) Kortti on musta kuvakortti tai musta ässä = Kortti on musta ja kortti on kuvakortti tai ässä: $A\cap C$,\
b) Kortti on ruutu = kortti ei musta ja ei hertta: $\overline{A}\cap\overline{B} = \overline{A\cup B}$\
c) (Kortti on musta tai hertta) ja kortti on kuva tai ässä:\ $(A\cup B)\cap C = (A\cap C)\cup (B\cap C)$ \
d) Kortti on punainen kuvakortti tai musta pikkukortti:\ $(\overline{A}\cap C)\cup (A\cap \overline{C}) = (\overline{A}\cup \overline{C}ackslash (\overline{A}\cap \overline{C})$
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.