问题标签 [text-processing]

我有一组 Books 对象，类Book定义如下：

其中title是书名，例如：Javascript for dummies。

taglist是我们示例的标签列表：Javascript 、jquery、“web dev”、..

正如我所说，有一套书谈论不同的事情：IT、生物学、历史……每本书都有一个标题和一组描述它的标签。

我必须按主题将这些书自动分类为单独的集合，例如：

它的书：

• 傻瓜Java
• 傻瓜的Javascript
• 在 30 天内学​​习 Flash
• C++ 编程

历史书籍：

• 世界大战
• 1960年的美国
• 马丁路德金生平

生物学书籍：

• ……

你们知道适用于这类问题的分类算法/方法吗？

一种解决方案是使用外部 API 来定义文本的类别，但这里的问题是书籍使用不同的语言：法语、西班牙语、英语..

当我在这里提出问题时，自动搜索返回的问题的工具提示给出了问题的前一小部分，但是其中相当一部分没有给出比标题。有没有人知道如何制作过滤器以剔除无用的问题？

我的第一个想法是修剪任何仅包含某些列表中的单词的前导句子（例如，停用词，加上标题中的单词，加上与标签相关性非常弱的 SO 语料库中的单词，即同样可能无论标签如何，都会出现在任何问题中）

我正在寻找从大型文档中替换所有高 unicode 字符，例如重音 Es、左右引号等，以及低范围内的“正常”对应物，例如常规的“E”和直引号。我需要经常在一个非常大的文档上执行此操作。我在这里看到了一个我认为可能是 perl 的例子：http: //www.designmeme.com/mtplugins/lowdown.txt

在 Python 中是否有不使用 s.replace(...).replace(...).replace(...)... 的快速方法？我已经在几个字符上尝试了这个来替换，并且文档剥离变得非常慢。

编辑，我的 unutbu 代码版本似乎不起作用：

我有一个包含许多文本文件的目录层次结构。我想每次出现在一个文件中时搜索一个特定的文本字符串，然后用另一个字符串替换它。例如，我可能想用“Pepsi”替换字符串“Coke”的每次出现。有谁知道如何做到这一点？我想知道是否有某种 Bash 命令可以做到这一点，而不必在编辑器中加载所有这些文件，或者想出一个更复杂的脚本来做到这一点。

我发现这个页面解释了一个使用 sed 的技巧，但它似乎不适用于子目录中的文件。

我是 python 新手，我想从这种格式中提取数据

到这种格式

我已经编写了代码，希望它可以工作，但它不起作用，请帮助！

hmmtext 文件是

我需要在 CSV 文件中搜索以未终止的双引号字符串结尾的行。

例如：

会匹配而

不会。

我对正则表达式的经验非常有限，我唯一能想到的就是

但是，这与行尾的最后一个引号相匹配。

这将如何完成？

我正在寻找一个程序来递归内联\input{}LaTeX 文件中的所有命令。通过“递归”，我的意思是迭代地进行内联，直到\input{}最终的 LaTeX 文件中没有任何命令。

我已经遇到过flatten包。但是，出于某种原因，我的 TeXLive 发行版没有安装它。当我执行命令sudo tlmgr show flatten时，我收到错误消息：tlmgr: cannot find flatten. 因此，我正在寻找更标准且更易于安装的替代工具。

例如，给定一个字符串：

“鲍勃和他的朋友吉姆史密斯去钓鱼了。”

Bob 和 Jim Smith 都是名字，但 bob 和 smith 都是单词。如果它们不是大写的，那么在我们对句子的了解之外，这方面的指示会更少。是否有任何众所周知的算法来检测名字的存在，至少是西方名字？

我正在尝试从中提取数据：http ://www.phillysheriff.com/old_site/properties.html

理想情况下，我可以得到一个包含地址、病房、价格和平方英尺的 CSV 文件？是否有捷径可寻？

最近我意识到一个人必须擅长处理（解析）文本。它可能从解释 HTTP 响应或读取设置文件（*.ini 或 *.xml 或 *.json）到编写编译器或正则表达式引擎一样困难。

我同意现在我们有用于解释流行文本格式的库函数/方法。但是使用函数让我觉得缺少了一些东西。我不知道我错过了什么，但我肯定会因为对所有事情都使用函数而失去信心。

为了建立一些信心，我想尝试在 C 中进行一些文本处理。

任何人都可以建议一些中等水平但很好的项目吗？如果您能建议一些更复杂的有用项目，我们也将不胜感激。