我正在尝试从OCR扫描中生成有序的数据集。我已经对结果进行了预处理,制作了一个包含所有“单位”的列表,用换行符隔开。 这看起来像这样:
[' 525-11 Prof.Dr.F.J.A.Kreuzer, Nijmegen onderzoek met betrekking tot de fysiologie van ademhaling en bloedsomloop op grote hoogte 17.500\n',
' 527-7 Dr.G.Buyze, Utrecht onderzoek naar het kopermetabolisme bij geesteszicken s 9.400\n',
' 527-8 Prof. Dr. Elisabeth P.Steyn Parv\xc3\xa9, Utrecht onderzoek naar de betekenis van thiaminc voor de synthese van vetzuren in het dierlijk lichaam s 5.400\n',
' 532-7 Dr.J.K. Sch\xc3\xb6nfeld, Rotterdam onderzoek over de rol van de L-fase van bacteri\xc3\xabn bij chronische en recidiverende ziekten (1962) f 3.100\n',
' 532-8 A.G.Schuitemaker, Heiloo onderzoek naar het lytisch vermogen van bacteriofagen voor mycobacteri\xc3\xabn f 2.000\n',
' 542-13 Dr.B.Leijnse en Dr.H.M. van Praag, Rotterdam bestudering van het werkingsmechanisme van de anti-depressieve hydrazinen, in bio chemisch en psychiatrisch-psychologisch opzicht f 16.000\n',
' 547-7 Dr.H.K.A. Visser, Groningen onderzoek over de werking van het antidiuretische hormoon en de regulatie van de centrale afgifte van dit hormoon gedurende de kinderleeftijd (1962) s 9.600\n',
' 548-4 Dr.F.Schwarz, Utrecht onderzoek naar de invloed van Exophthalmos Producing Substance op bindweefsel s 13.000\n',
' 562-8 Prof. Dr.J.Droogleever Fortuyn, Groningen onderzoek naar bouw en functie van de middenhersenen (1960-1962) f 13.100\n',
' '
]
我现在想在用这个正则表达式标识的所有模式之后插入换行符(\n
):
r" ([0-9]+[-][0-9])"
所以结果应该是,例如:
525-11
Prof.Dr.F.J.A.Kreuzer, Nijmegen onderzoek met betrekking tot de fysiologie van ademhaling en bloedsomloop op grote hoogte 17.500
527-7 Dr.G.Buyze, Utrecht onderzoek naar het kopermetabolisme bij geesteszicken s 9.400
527-8 Prof. Dr. Elisabeth P.Steyn Parv, Utrecht onderzoek naar de betekenis van thiaminc voor de synthese van vetzuren in het dierlijk lichaam s 5.400
我试着做一个循环,在这个循环中,所有匹配的模式都被相同的匹配模式+一条新线所取代。但这似乎只工作了一次,所以看起来循环出了问题。有人知道具体出了什么问题吗?你知道吗
#import Regular Expression library
import re
#Open a the preprosseced text file
g = open('outputtest2.txt', 'r')
h = open('outputtest3.txt', 'w')
SingularStringTextDOC = g.readlines()
aanvr = re.compile(r" ([0-9]+[-][0-9])")
#Test how the string works
print(SingularStringTextDOC)
#Make a Loop in which in every line in the text of outputtest1.txt is
searched for submission number
for line in SingularStringTextDOC:
if aanvr.match(line):
AddLine = re.sub(r" ([0-9]+[-][0-9]+)", '\g<1>\n', line)
#test result
print(AddLine)
#create a new file in which the new lines are added
IsolatedSubmissionText_Aanvrnum = h.write(AddLine)
结果(包括测试打印):
[ ' 515-16 Prof. Dr.D.B.Kroon, Amsterdam onderzoek naar samenstelling en structuur van ooglens-ciwitten f 16.900\n',
" 521-21 Prof.Dr.E.C.Slater, Amsterdam onderzoek over aard en werkingsmechanisme van de zogenaamde 'relaxing factor' (1960 1962) f 12.000\n",
' 525-11 Prof.Dr.F.J.A.Kreuzer, Nijmegen onderzoek met betrekking tot de fysiologie van ademhaling en bloedsomloop op grote hoogte 17.500\n',
' 527-7 Dr.G.Buyze, Utrecht onderzoek naar het kopermetabolisme bij geesteszicken s 9.400\n',
' 527-8 Prof. Dr. Elisabeth P.Steyn Parv\xc3\xa9, Utrecht onderzoek naar de betekenis van thiaminc voor de synthese van vetzuren in het dierlijk lichaam s 5.400\n',
' 532-7 Dr.J.K. Sch\xc3\xb6nfeld, Rotterdam onderzoek over de rol van de L-fase van bacteri\xc3\xabn bij chronische en recidiverende ziekten (1962) f 3.100\n',
' 532-8 A.G.Schuitemaker, Heiloo onderzoek naar het lytisch vermogen van bacteriofagen voor mycobacteri\xc3\xabn f 2.000\n',
' 542-13 Dr.B.Leijnse en Dr.H.M. van Praag, Rotterdam bestudering van het werkingsmechanisme van de anti-depressieve hydrazinen, in bio chemisch en psychiatrisch-psychologisch opzicht f 16.000\n',
' 547-7 Dr.H.K.A. Visser, Groningen onderzoek over de werking van het antidiuretische hormoon en de regulatie van de centrale afgifte van dit hormoon gedurende de kinderleeftijd (1962) s 9.600\n',
' 548-4 Dr.F.Schwarz, Utrecht onderzoek naar de invloed van Exophthalmos Producing Substance op bindweefsel s 13.000\n',
' 562-8 Prof. Dr.J.Droogleever Fortuyn, Groningen onderzoek naar bouw en functie van de middenhersenen (1960-1962) f 13.100\n', ' ']
562-8
Prof. Dr.J.Droogleever Fortuyn, Groningen onderzoek naar bouw en functie van de middenhersenen (1960-1962) f 13.100
我猜您可能只想在表达式中添加单词边界,但似乎缺少
+
:但不确定。你知道吗
测试
输出
表达式在regex101.com的右上角面板上解释,如果您希望探索/简化/修改它,在this link中,您可以查看它如何与一些示例输入匹配(如果您愿意)。你知道吗
要获得AddLine的值,必须在
AddLine = re.sub(r" ([0-9]+[-][0-9]+)", '\g<1>\n', line)
下的相同缩进级别使用print(AddLine)
如果希望捕获组从新行开始,可以在捕获组前面加
\n
:请注意,在模式中,还可以匹配不带字符类的连字符:
([0-9]+-[0-9]+)
Regex demo
相关问题 更多 >
编程相关推荐