V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
showecho
V2EX  ›  程序员

如果通过正则检测一些非英语段落?

  •  
  •   showecho · 2019-08-21 17:01:22 +08:00 · 2455 次点击
    这是一个创建于 1911 天前的主题,其中的信息可能已经有所发展或是发生改变。
    一篇长文章,包含英语,日语,中文甚至韩语,阿拉伯语等,我现在只需要保留纯英文段落(有英文标点和特殊字符),那些包含非英语字符的段落全部删掉,怎么用正则判断?
    14 条回复    2019-08-21 18:08:43 +08:00
    daviswei
        1
    daviswei  
       2019-08-21 17:09:49 +08:00
    是不是[A-Za-z0-9]
    jdhao
        2
    jdhao  
       2019-08-21 17:11:17 +08:00 via Android
    capture group? 把英文放到 capture group,只保留这些 group 就 ok 了。英文看成 ascii 字符连续不断的字符串
    SuperMild
        3
    SuperMild  
       2019-08-21 17:15:17 +08:00
    如果段落与段落之间有明确区分(比如空行),那么,只取每个段落的头几个和尾几个字符来判断就可以了。
    showecho
        4
    showecho  
    OP
       2019-08-21 17:17:02 +08:00
    @daviswei 不是,还有符号和英文里面的特殊字符的
    DiamondbacK
        5
    DiamondbacK  
       2019-08-21 17:22:03 +08:00
    sed '/[^0-9A-z[:punct:]/d'
    taogen
        6
    taogen  
       2019-08-21 17:22:11 +08:00 via Android
    不知道你是什么编程语言,一般编程语言都采用的是 Unicode 字符编码。你搜一下你的语言,比如 Java 正则提取英文 Unicode 字符串
    DiamondbacK
        7
    DiamondbacK  
       2019-08-21 17:23:03 +08:00
    更正:
    sed '/[^0-9A-z[:punct:]]/d'
    SuperMild
        8
    SuperMild  
       2019-08-21 17:26:13 +08:00
    其他语种的段落里大概率会包含英文字母,如果简单抽取拼接在一起,结果看起来会很奇怪的。建议逐段处理,一段里超过多少个非英语字母就整段抛弃。
    showecho
        9
    showecho  
    OP
       2019-08-21 17:34:17 +08:00
    @SuperMild 这个思路可以,检测每一段英语字母占总体字符的比例,设定一个阈值来删,谢谢。
    autoxbc
        10
    autoxbc  
       2019-08-21 17:35:14 +08:00
    写一个函数,对每个段落打分,按照英文和标点的百分比确定分值
    DiamondbacK
        11
    DiamondbacK  
       2019-08-21 17:36:24 +08:00
    更正(加上空格):
    sed '/[^0-9A-z[:punct:] ]/d'
    DiamondbacK
        12
    DiamondbacK  
       2019-08-21 17:39:09 +08:00
    怎么问题又变了?不是「只保留纯英文段落」吗?
    这个标准本身很明确啊,等同于将你们现在所说的「阈值」设为 0。
    DiamondbacK
        13
    DiamondbacK  
       2019-08-21 17:54:35 +08:00
    你没定义「段落」,所以这里按行来处理。补充一个 gawk 方法:

    gawk "!/[^0-9A-z[:punct:] ]/{ print }"
    DiamondbacK
        14
    DiamondbacK  
       2019-08-21 18:08:43 +08:00
    @showecho #9

    你被带偏了。你的问题本来就不是「保留含有英文的段落」,这和「删除含有非英文字符的段落」的区别是明显的,而后者同样有直接的处理办法。
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   3507 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 23ms · UTC 04:48 · PVG 12:48 · LAX 20:48 · JFK 23:48
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.