正则表达式和Python-清理UTF8文本文件

Python新手。使用2.7.3。法律助理学位必修课程的课程分配

我想阅读法庭陈述草案的UTF8文本文件，并整理如下

逐行读取输入文本文件

每行,， （1） 将句子的首字母大写（包括行的第一个字符） （2） 确保所有逗号、句号和分号后面都跟有空格字符

逐行写入输出文本文件

这是我在阅读其他stackoverflow帖子的基础上得出的结论。它不好用。请帮忙。多谢各位

import codecs
import sys
import os
import re

reload(sys)
sys.setdefaultencoding('utf8')


with codecs.open('test.txt', 'r', encoding='utf8') as file:
    filedata = file.read().replace(' \r\n', '\r\n')

re.sub(r'(?<=[.,;])(?=[^\s])', r' ', filedata)

rtn = re.split('([.!?] *)', filedata)
filedata = ''.join([i.capitalize() for i in rtn])
filedata = filedata[0].upper() + filedata[1:] 


with codecs.open('output.txt', 'w') as file:
    file.write(filedata)

期望输出：

Instead of arguing, ask her, "What can I do?"  Forgo postponing the problem.  Instead, talk to her.  That single gesture will promote peace.

你可以试试这个

import re

filedata = 'instead of arguing,ask her, "what can i do?"forgo postponing the problem. instead, talk to her.that single gesture will promote peace.'

print(filedata)

# add space, match .,; but not followed by space \s
filedata = re.sub(r'([,\.;"])((?!\s).)', r'\1 \2', filedata)

# clean space in quotation: " What can i do?"
filedata = re.sub(r'"\s([^"]+")', r'"\1', filedata)

# make uppercase first letter of sentence or after dot and quote
filedata = re.sub(r'(^.|\.\s\w|"\s?\w)', lambda m: m.group(1).upper(), filedata)

print(filedata)

---

另一种选择是使用单个模式并检查捕获组是否存在，以进行不同的替换

("[^"]*"|\.|^)\s*(\S)|([,;])(?=\S)

解释

• （“[^”]*“|\.|^）

  捕获组1，从

  “…”

  或点匹配，或断言字符串的开头

• \s*（\s）

  匹配0+个空格字符并捕获组2中的非空格字符

• |

  或

• （[，；]）（？=\S）

  在组3中捕获

  ，

  或

  ；

  在右侧断言非空白字符

输出

Instead of arguing, ask her, "what can i do?" Forgo postponing the problem. Instead, talk to her. That single gesture will promote peace.

---

请注意，

\S

或

[^\S]

匹配非空白字符。

由于您是Python新手，您应该使用Python 3.x，最好是最新的。Python 3完全改变了unicode的处理方式，与Python 2.x相比有了很大的改进。Python 2.x实际上已经过时了。

import re

regex = r"""("[^"]*"|\.|^)\s*(\S)|([,;])(?=\S)"""
s = "instead of arguing,ask her, \"what can i do?\"forgo postponing the problem. instead, talk to her.that single gesture will promote peace."
result = re.sub(regex, lambda m: m.group(3) + " " if m.group(3) else (m.group(1) + " " + m.group(2).upper()), s)
print(result)

Instead of arguing, ask her, "what can i do?" Forgo postponing the problem. Instead, talk to her. That single gesture will promote peace.