python从科学论文中删除引用

注意：我对正则表达式缺乏经验

我希望能够将科学文章转换成iTunes曲目。为此，我将文本复制粘贴到txt文件中，并将其转换为语音曲目。然而，当我这样做时，引用被包括在内，并且计算机的声音会大声读出它们，例如“（Smith J.et al.2016）”，这很烦人，因为我希望跳过包含引用的括号中的任何内容。 因此，我想制作一个python脚本，在将txt文件转换为语音曲目之前，从txt文件中删除所有这些引用。 我想我可以用下面的代码来实现这一点：

start_ref=find("(")
finish_ref=find(")", start_ref)
# then remove all pieces of the string between each start and finish 

但这还不够准确。相反，我想以某种方式使用正则表达式

是否有人可以向我展示一些示例代码，说明我将如何从以下文本中删除引用（同时考虑不同的引用样式，例如Harvard vs APA等）：

“该方法已被证明优于先前讨论的方法 （Smith，J.等人，2014年）虽然它有它的倒退，但很明显 利大于弊（Jones，A.&Karver，B.）。， 2009年，Lubber，H.等人，2013年）

---

有人能提供一些示例代码吗？

这应该可以做到：

import re

a = "This method has been shown to outperform previously discussed methods (Smith, J. et al., 2014) and while it has its draw-backs, it is clear that the benefits outweigh the disadvantages (Jones, A. & Karver, B., 2009, Lubber, H. et al., 2013)."

a = re.sub(r"\s\([A-Z][a-z]+,\s[A-Z][a-z]?\.[^\)]*,\s\d{4}\)", "", a)

它用“”（即nothing）替换每个由空格组成的字符串，

（

，一个大写字母后跟一个或多个小写字母（即名称）、逗号、空格、一个大写字母和一个点（对于类似Christine的名称，可以选择用小写字母分隔，这些名称将被缩写为

Ch.

），然后除了一个右括号之外的任何东西，直到我们到达一个逗号、一个空格、四位数字和一个右括号。总之，它假设所有看起来像

（Azdfs，E.stuff 2343）

的东西都应该被删除。我认为这应该足以避免过度检测

---

我从代码中得到的结果是

这个方法已经被证明比前面讨论的方法表现得更好，虽然它有它的缺点，但显然利大于弊。

这应该可以做到：

import re

a = "This method has been shown to outperform previously discussed methods (Smith, J. et al., 2014) and while it has its draw-backs, it is clear that the benefits outweigh the disadvantages (Jones, A. & Karver, B., 2009, Lubber, H. et al., 2013)."

a = re.sub(r"\s\([A-Z][a-z]+,\s[A-Z][a-z]?\.[^\)]*,\s\d{4}\)", "", a)

它用“”（即nothing）替换每个由空格组成的字符串，

（

，一个大写字母后跟一个或多个小写字母（即名称）、逗号、空格、一个大写字母和一个点（对于类似Christine的名称，可以选择用小写字母分隔，这些名称将被缩写为

Ch.

），然后除了一个右括号之外的任何东西，直到我们到达一个逗号、一个空格、四位数字和一个右括号。总之，它假设所有看起来像

（Azdfs，E.stuff 2343）

的东西都应该被删除。我认为这应该足以避免过度检测

我从代码中得到的结果是

这个方法已经被证明比前面讨论的方法表现得更好，虽然它有它的缺点，但很明显，它的优点大于缺点。

类似于

 import re
 text = ...
 re.sub(r'\((?:[\w \.&]+\, )+[0-9]{4}\)', text)

似乎是这样。 您可以使用正则表达式来训练自己。

类似

 import re
 text = ...
 re.sub(r'\((?:[\w \.&]+\, )+[0-9]{4}\)', text)

似乎是这样。

---

你可以用正则表达式来训练自己。

我认为你需要的不仅仅是正则表达式来区分引用和其他插入短语。重复@chepner的评论，正则表达式可能不够。你可能想看看自然语言处理。只满足不同风格中的一种——哈佛或者APA本身就已经是一个相当大的挑战。愉快地试图抓住两者只会导致更多的错误匹配。是的，从这些评论判断，问题比想象的更复杂。下面的两个答案都适用于我在问题中给出的示例字符串，但当涉及到实际的整篇文章时，两个答案都不是ons工作……好的，谢谢。我想你需要的不仅仅是一个正则表达式来区分引用和其他插入短语。回应@chepner的评论，正则表达式可能还不够。你可能想看看自然语言处理。在itself已经是一个相当大的挑战。愉快地试图抓住两者只会导致更多的错误匹配。是的，根据这些评论判断，问题比想象的更复杂。下面的两个答案都适用于我在问题中给出的示例字符串，但当涉及到实际的整篇文章时，两个解决方案都不起作用k谢谢你