Python 如何从文本中删除小写的句子片段？

我正在尝试使用常规表达式或简单的Perl oneliner从标准文本文件中删除小写句子片段

例如，这些标签通常被称为语音标签或归属标签——他说，她说，等等

此示例显示在使用手动删除之前和之后：

原件：

“啊，那完全是真的！”阿约沙喊道

“噢，别再装傻了！有个白痴进来了，你把我们关了 “真丢脸！”窗边的女孩喊道，突然转向她的父亲 带着轻蔑和轻蔑的神情

“等一下，瓦瓦拉！”她父亲喊道，专横地说，但是 非常赞许地看着他们。“这就是她的性格，”他说， 再次向阿约沙致辞

“你去哪儿了？”他问他

“我想，”他说，“我忘了什么……我的手帕，我忘了。” 想一想……好吧，即使我什么都没忘记，让我留下来 很少。”

他坐了下来。父亲站在他身旁

“你也坐下，”他说

---

手动删除所有小写句子片段：

“啊，那完全是真的！”

“噢，别再装傻了！有个白痴进来了，你把我们关了 可耻！”

“等等，瓦瓦拉！”“那是她的性格，”

“你去哪儿了？”

“我想，”“我忘了什么……我的手帕，我 想一想……好吧，即使我什么都没忘记，让我留下来 很少。”

他坐了下来。父亲站在他身旁

“你也坐下，”

---

我已经将“直接引用”改为“平衡引用”，并尝试：“（…）+[…]

当然，这会删除一些片段，但会删除平衡引号中的一些文本以及以大写字母开头的文本。[^A-Z]在上述表达式中不起作用

我意识到可能不可能达到100%的准确率，但任何有用的表达式、perl或python脚本都将受到高度赞赏

干杯

---

Aaron

下面是一个Python代码片段，它应该可以：

 thetext="""triple quoted paste of your sample text"""
 y=thetext.split('\n')
 for line in y:
    m=re.findall('(".*?")',line)
    if m:
        print ' '.join(m)
    else:
        print line

如果你想使用Perl，那么这个模块就是你想要的

它也适用于Dennis的测试用例

下面代码的优点是引号按段落分组，这可能对以后的分析有用，也可能不有用

脚本

use strict;
use warnings;
use Text::Balanced qw/extract_quotelike extract_multiple/;

my %quotedSpeech;

{
    local $/ = '';
    while (my $text = <DATA>) { # one paragraph at a time

        while (my $speech = extract_multiple(
                            $text,
                            [sub{extract_quotelike($_[0])},],
                            undef,
                            1))
        {   push @{$quotedSpeech{$.}}, $speech; }
    }
}

# Print total number of paragraphs in DATA filehandle

print "Total paragraphs: ", (sort {$a <=> $b} keys %quotedSpeech)[-1];

# Print quotes grouped by paragraph:

foreach my $paraNumber (sort {$a <=> $b} keys %quotedSpeech) {
    print "\n\nPara ",$paraNumber;
    foreach my $speech (@{$quotedSpeech{$paraNumber}}) {
        print "\t",$speech,"\n";
    }
}
# How many quotes in paragraph 8?
print "Number of quotes in Paragraph 8: ", scalar @{$quotedSpeech{8}};

Total paragraphs: 10

Para 1  "Ah, that's perfectly true!"


Para 2  "Oh, do leave off playing the fool! Some idiot comes in, and you put us
to shame!"


Para 3  "Wait a little, Varvara!"
        "That's her character,"


Para 4  "Where have you been?"


Para 5  "I think,"
        "I've forgotten something... my handkerchief, I think.... Well, even if
I've not forgotten anything, let me stay a little."


Para 7  "You sit down, too,"


Para 8  "It doesn't always work."


Para 9  "Secondly,"
        "it fails for three quoted phrases..."
        "with two unquoted ones."


Para 10 "That's right."

---

我不完全确定您使用的是哪个编辑器，如果您使用的是支持原子分组的编辑器（例如EditorPad Pro），您可以使用下面的正则表达式进行搜索和替换：

寻找

(".+?"|^[A-Z].+\r\n)(.(?!"))* 
Note: you should replace \r\n with \n or \r according to your line breaks

取代

\1

下面是对正则表达式的一些解释：

第一个捕获组用于引号和以大写字母开头的行之间的字符。第二个捕获组用于引号之后但另一个引号之前的任何字符

---

这适用于问题中显示的所有情况：

sed -n '/"/!{p;b}; s/\(.*\)"[^"]*/\1" /;s/\(.*"\)\([^"]*\)\(".*"\)/\1 \3/;p' textfile

对于以下情况，它将失败：

He said, "It doesn't always work."

"Secondly," I said, "it fails for three quoted phrases..." He completed my thought, "with two unquoted ones."

I replied, "That's right." dejectedly.

---

如果我明白你的意思…通过这样的正则表达式传递每一行应该是有效的

您可以使用perl调试器来处理这个问题。在linux/mac中，只需在命令行上使用

perl-de 42

即可进入perl调试器。（42只是一个有效的表达式-它可以是任何东西，但为什么不选择生命的意义？）

无论如何

open FILE, "<", "filename.txt" or die $!;
while (my $line = <FILE>) {
   @fixed_text = $line =~ m{(?:(" .+? ")) | (?:\A .* [^"] .* \z)}xmsg;
  for my $new_line (@fixed_text) {
    print qq($new_line );
  }
  print qq(\n);
}

---

打开文件，“如果不是“父亲阻止了他”，而是“父亲阻止了吉姆”，你会怎么做？我认为你需要对什么是“小写句子片段”给出一个更清晰的定义。尤其是，为什么“Alyosha惊叫道。”是小写的句子片段，但“父亲站在他旁边。”不是吗？我想“小写的句子片段”的意思是“信号短语”
perl script.pl textfile
不产生输出。@Dennis:那是因为你需要以
perl script.pl“text”的形式运行脚本
现在的编写方式。@Dennis：查看更新的代码，它也适用于失败的案例。您的新版本更好，但它在多短语输入的部分之间打印换行符（例如，以“Wait”和“secondary”开头的部分）。@Dennis：这不是问题；只是格式化而已。我会在可能的时候发布。我在正则表达式中没有看到任何原子组——只有两个捕获组和一个负前瞻。