Python 标记化和标记文本

这是一个简单的扫描器，它根据特定规则标记文本，并标记标记

处理未知字符并将其标记为 不知道

是否有一种推荐的方法/库可以在 完成类似的结果，保持相对简单

例如：

输出：

---

ps！已定义的函数可能会尝试对令牌进行进一步分类。

重新扫描程序按照提供的顺序匹配模式。因此，您可以在结尾提供一个非常通用的模式来捕获“未知”字符：

(r".", unknown)

---

屈服

[('This', 'a'), ('is', 'a'), ('a', 'a'), ('little', 'a'), 
('test', 'a'), ('?', 'p'), ('With', 'a'), ('7', 'rn'), (',', 'p'), 
('9', 'rn'), ('and', 'a'), ('6', 'rn'), ('.', 'p'), ('\xa0', 'uk'), 
('-', 'uk'), ('\xaf', 'uk')]

---

您的一些模式是

unicode

，其中一个是

str

。确实，在Python2中，要匹配的模式和字符串可以是

unicode

或

str

然而：

Unicode字符串和8位字符串不能混合：也就是说，不能混合 将Unicode字符串与字节模式匹配，反之亦然

因此，最好不要将它们混在一起，即使是在Python2中

---

---

我认为您的代码非常简单（除了

superscript

regex.Eek！）。我不知道有哪家图书馆能使它更简单

谢谢你的回答。我将尝试对上标做些什么：）

(r".", unknown)

import re

def alpha(scanner,token):
    return token, 'a'

def numeric(scanner,token):
    return token,'rn'

def punctuation(scanner,token):
    return token, 'p'

def superscript(scanner,token):
    return token, 'sn'

def unknown(scanner,token):
    return token, 'uk'

scanner = re.Scanner([
    (r"[a-zA-Z]+", alpha),
    (r"[.,:;!?]", punctuation),
    (r"[0-9]+", numeric),
    (r"[\xb9\u2070\xb3\xb2\u2075\u2074\u2077\u2076\u2079\u2078]", superscript),
    (r"[\s\n]+", None), # whitespace, newline
    (r".", unknown)
    ])

tokens, _ = scanner.scan("This is a little test? With 7,9 and 6. \xa0-\xaf")
print tokens

[('This', 'a'), ('is', 'a'), ('a', 'a'), ('little', 'a'), 
('test', 'a'), ('?', 'p'), ('With', 'a'), ('7', 'rn'), (',', 'p'), 
('9', 'rn'), ('and', 'a'), ('6', 'rn'), ('.', 'p'), ('\xa0', 'uk'), 
('-', 'uk'), ('\xaf', 'uk')]