我有一个Unicode编码的Malayalam文本文件SAD A.TXT。我将每个单词从该文本文件存储到列表中。因此该列表包含文本中的每个单词。
示例
text="അവള് പൊട്ടിക്കരഞ്ഞുകൊണ്ട് നൈല് നദീതീരം മുഴുവന് തന്റെ
കാമുകന്റെ ശരീരഭാഗങ്ങള്ക്കായി അലഞ്ഞുനടന്നു. ഒരുപക്ഷെ, മറെറാരു
പുരാണ-ഐതിഹ്യ കാവ്യങ്ങളിലും ഇത്ര ഹൃദയസ്പര്ശിയായ ഒരു തിരച്ചിലിന്റെ
കഥ വിവരിക്കപ്പെട്ടിട്ടുണ്ടാവില്ല."
,但句子边界也附在句子中的最后一个单词上。像[അലഞ്ഞുനടന്നു.]
我想像[അലഞ്ഞുനടന്നു] [.]
[വിവരിക്കപ്പെട്ടിട്ടുണ്ടാവില്ല] [.]
我在做这个
with codecs.open(r"C:UserscusatDocumentsPython Scriptstest document.txt",encoding="utf-8") as fpnr:
text=fpnr.read()
text_of_sentences=segmentize(text)
fpnr.close()
for sentence in text_of_sentences:
if len(sentence) > 1:
sentences.append(worder(sentence))
#print sentences
for sentence in sentences:
#print sentence
for word in sentence:
#print word
trimdwrds=trim(word)
wordses.append(trimdwrds)
for word in wordses:
if len(word) >= 1:
re.sub(r'([u0900-u097F]+)(.)(s*)', r'1 2', word)
import re
words = [word for word in re.split('s|(.)', text) if word]
print(words)
['അവള്', 'പൊട്ടിക്കരഞ്ഞുകൊണ്ട്', 'നൈല്', 'നദീതീരം', 'മുഴുവന്', 'തന്റെ', 'കാമുകന്റെ', 'ശരീരഭാഗങ്ങള്ക്കായി', 'അലഞ്ഞുനടന്നു', '.', 'ഒരുപക്ഷെ,', 'മറെറാരു', 'പുരാണ-ഐതിഹ്യ', 'കാവ്യങ്ങളിലും', 'ഇത്ര', 'ഹൃദയസ്പര്ശിയായ', 'ഒരു', 'തിരച്ചിലിന്റെ', 'കഥ', 'വിവരിക്കപ്പെട്ടിട്ടുണ്ടാവില്ല', '.']
这将您的text
字符串按Whitespace或.
将其分配,但由于它位于正则捕获组中,因此可以保留.
。然后,它从拆分中滤除空字符串。