python为文本fi上的每个单词和符号添加引号

Question

我想在文本文件的每个单词和符号之间加引号。你知道吗

例如：

Türkiye ya da resmî adıyla Türkiye Cumhuriyeti, topraklarının büyük bölümü Anadolu'ya, küçük bir bölümü ise Balkanlar'ın uzantısı olan Trakya'ya yayılmış bir ülke.

变成->

"Türkiye" "ya" "da" "resmî" "adıyla" "Türkiye" "Cumhuriyeti" "," "topraklarının" "büyük" "bölümü" "Anadolu'ya" "," "küçük" "bir" "bölümü" "ise" "Balkanlar'ın" "uzantısı" "olan" "Trakya'ya" "yayılmış" "bir" "ülke" "."

为此，我写了这样一段代码：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re, codecs, io

with io.open ("turkish.txt", "r", encoding="utf-8") as myfile:
    text=myfile.read()

replacer = re.compile("([\w'-]+|[.,!?;()%])", re.UNICODE)

output_text = replacer.sub(r'"\1"', text).replace('""','" "')

text_file = open("Output.txt", "w")
text_file.write(output_text.encode('utf8'))
text_file.close()

在上面的例子中，替换是可以的。你知道吗

但对于这样一个例子

İmparatorluk zirvesini 15 ve 17'nin arasında, özelikle I. Süleyman döneminde 10.000'lerde yaşadı.

更换如下：

"İmparatorluk" "zirvesini" "15" "ve" "17'" "nin" "arasında", "özelikle" "I" "." "Süleyman" "döneminde" "10" "." "000'" "lerde" "yaşadı" "."

如您所见，10.000是一个数字，17'nin是在一起的，I.指的是罗马数字的排名，所以我想把它们分开为

10.000、17'nin和I.。你知道吗

我应该如何修改我的正则表达式或代码来实现这一点？你知道吗

谢谢你

Answer 1

将[IVXLCDM]+\.|[\d\.]+(?:'\w+)?添加到regex模式的开头将匹配预期的“10.000”和“10.000'lerde”以及“I.”。你知道吗

replacer = re.compile(r"\b([IVXLCDM]+\.|[\d\.]+(?:'\w+)?|[\w'-]+|[.,!?;()%])", re.UNICODE)

Answer 2

with open("turkish.txt", "r") as myfile:
    text=myfile.read()

output_text = text.split(" ")

with open("Output.txt", "w",) as outfile:
    for word in output_text:
        outfile.write(' "'+ word + '" ')

也许是更好的解决办法