2

我有一个文本文件，我使用xml.etree.cElementTree库用 python 解析它。在输入中，我有一个<p>包含句子的段落<s>，每个句子都有单词<w>，这是文本文件的样子：

This
is
my
first
sentence.
This
is
my
second
sentence.

在输出中，我想要以下 xml 文件：

<p>
   <s>
      <w>this</w>
      <w>is</w>
      <w>my</w>
      <w>first</w>
      <w>sentence</w>
      <pc>.</pc>
   </s>
   <s>
      <w>this</w>
      <w>is</w>
      <w>my</w>
      <w>second</w>
      <w>sentence</w>
      <pc>.</pc>
   </s>
</p>

我编写了以下 python 代码，它给了我段落标签和单词标签，我不知道如何实现具有多个<s>标签的案例。句子以大写字母开头，以点结尾。我的python代码：

source_file = open("file.txt", "r")
for line in source_file:
    # catch ponctuation : . and , and ! and ? and ()
    if re.match("(\(|\)|\.|\,|\!)", str(line)):
        ET.SubElement(p, "pc").text = line
    else:
        ET.SubElement(p, "w").text = line

tree.write("my_file.xml", encoding="UTF-8", xml_declaration=True)

以下xml输出：

<?xml version="1.0" encoding="UTF-8"?>
<p>
   <w>this</w>
   <w>is</w>
   <w>my</w>
   <w>first</w>
   <w>sentence</w>
   <pc>.</pc>
   <w>this</w>
   <w>is</w>
   <w>my</w>
   <w>second</w>
   <w>sentence</w>
   <pc>.</pc>
</p>

我面临的问题是我无法<s>为每个新句子创建一个新标签，有没有办法使用 python 使用 xml 库来做到这一点？

4

1 回答 1

1

基本上，您将需要一个逻辑来识别新句子。忽略明显的部分，下面应该做的事情，

import os
eos = False
s = ET.SubElement(p, 's')
for line in source_file:
    line = str(line).rstrip(os.linesep) #to remove new line char at the end of each line
    # catch ponctuation : . and , and ! and ? and ()
    if re.match("(\(|\)|\.|\,|\!)", line):   #don't think this matches 'sentence.', you will need to verify
        ET.SubElement(s, "pc").text = line
        eos = True
    else:
        if eos and line.strip() and line[0].isupper():
            s = ET.SubElement(p, 's')
        eos = False
        ET.SubElement(s, "w").text = line

此外，您的正则表达式可能需要修复

于 2019-03-12T00:56:13.607 回答