首页   注册   登录
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
V2EX  ›  程序员

如果通过正则检测一些非英语段落?

  •  
  •   showecho · 110 天前 · 989 次点击
    这是一个创建于 110 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 回复  |  直到 2019-08-21 18:08:43 +08:00
        1
    daviswei   110 天前
    是不是[A-Za-z0-9]
        2
    jdhao   110 天前 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
        3
    SuperMild   110 天前
    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。
        4
    showecho   110 天前
    @daviswei 不是,还有符号和英文里面的特殊字符的
        5
    DiamondbacK   110 天前
    sed '/[^0-9A-z[:punct:]/d'
        6
    taogen   110 天前 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
        7
    DiamondbacK   110 天前
    更正:
    sed '/[^0-9A-z[:punct:]]/d'
        8
    SuperMild   110 天前
    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。
        9
    showecho   110 天前
    @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。
        10
    autoxbc   110 天前
    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
        11
    DiamondbacK   110 天前
    更正(加上空格):
    sed '/[^0-9A-z[:punct:] ]/d'
        12
    DiamondbacK   110 天前
    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。
        13
    DiamondbacK   110 天前
    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 }"
        14
    DiamondbacK   110 天前
    @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   ·   FAQ   ·   API   ·   我们的愿景   ·   广告投放   ·   感谢   ·   实用小工具   ·   1624 人在线   最高记录 5043   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.3 · 35ms · UTC 16:44 · PVG 00:44 · LAX 08:44 · JFK 11:44
    ♥ Do have faith in what you're doing.