如何将匹配的字符串提取到defaultdict(set)中？Python

Question

我有一个文本文件，里面的内容是这样的（见下文）：一行英文句子后面跟着一个西班牙文句子，还有一个用"{##}"分隔的翻译表。（如果你知道的话，这就是giza-pp的输出）

你在接下来的几天里请求就这个主题进行辩论，在这个会议期间。{##} 尊敬的议员们请求在接下来的几天里就这个主题进行辩论，在这个会议期间。{##} 0-0 0-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 12-10 13-11 14-11 15-12 16-13 17-14 9-15 10-16 11-17 18-18 17-19 19-21 20-22

翻译表的意思是，0-0 0-1表示英文的第0个单词（也就是you）对应西班牙文的第0个和第1个单词（也就是sus señorías）

假设我想知道句子中course的西班牙语翻译，通常我会这样做：

from collections import defaultdict
eng, spa, trans =  x.split(" {##} ")
tt = defaultdict(set)
for s,t in [i.split("-") for i in trans.split(" ")]:
  tt[s].add(t)

query = 'course'
for i in spa.split(" ")[tt[eng.index(query)]]:
  print i

有没有简单的方法可以做到这一点？比如用regex？或者line.find()？

经过几次尝试，我不得不这样做，以解决许多其他问题，比如最小可重现示例（MWE）和缺失的翻译：

def getTranslation(gizaline,query):
    src, trg, trans =  gizaline.split(" {##} ")
    tt = defaultdict(set)
    for s,t in [i.split("-") for i in trans.split(" ")]:
        tt[int(s)].add(int(t))
    try:
        query_translated =[trg.split(" ")[i] for i in tt[src.split(" ").index(query)]]
    except ValueError:
        for i in src.split(" "):
            if "-"+query or query+"-" in i:
                query = i
                break
        query_translated =[trg.split(" ")[i] for i in tt[src.split(" ").index(query)]]

    if len(query_translated) > 0:
        return ":".join(query_translated)
    else:
        return "#NULL"

Answer 1

这样做是可以的，但我会稍微改一下，使用 list 而不是 set，这样我们可以正确地排列单词（因为 set 会按照字母顺序输出单词，这并不是我们想要的）：

文件：q_15125575.py

#-*- encoding: utf8 -*-
from collections import defaultdict

INPUT = """you have requested a debate on this subject in the course of the next few days , during this part-session . {##} sus señorías han solicitado un debate sobre el tema para los próximos días , en el curso de este período de sesiones . {##} 0-0 0-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 12-10 13-11 14-11 15-12 16-13 17-14 9-15 10-16 11-17 18-18 17-19 19-21 20-22"""

if __name__ == "__main__":
    english, spanish, trans = INPUT.split(" {##} ")
    eng_words = english.split(' ')
    spa_words = spanish.split(' ')
    transtable = defaultdict(list)
    for e, s in [i.split('-') for i in trans.split(' ')]:
        transtable[eng_words[int(e)]].append(spa_words[int(s)])

    print(transtable['course'])
    print(transtable['you'])
    print(" ".join(transtable['course']))
    print(" ".join(transtable['you']))

输出：
['curso']
['sus', 'se\xc3\xb1or\xc3\xadas']
curso
sus señorías

这段代码稍微长一点，因为我使用的是实际的单词而不是索引 - 但这样可以让你直接从 transtable 查找。

不过，你的方法和我的方法都在同一个问题上失败了：重复的单词。
print(" ".join(transtable['this']))
会输出：
el este
不过至少单词的顺序是正确的，所以还是可以用的。如果想要 'this' 的第一次出现翻译，
transtable['this'][0] 会给你第一个单词。

使用你的代码：

tt = defaultdict(set)
for e, s in [i.split('-') for i in trans.split(' ')]:
    tt[int(e)].add(int(s))

query = 'this'
for i in tt[eng_words.index(query)]:
    print i

输出为：
7

你的代码只会打印出单词第一次出现的索引。