访问可调用迭代器对象的内容

Question

我正在尝试在包含多个段落的阿拉伯语文本的文件中进行一些正则表达式匹配，但我无法访问匹配对象的内容，我的代码如下所示：

import re 
import pandas as pd
reg =r"^[u0621-u064A۰-۹0-9 ]+$"
dataset =pd.read_csv('test.txt',header=None,index_col=False)
for row in dataset.itertuples():
for pattern in enumerate(row,start=1):
pattern=row[1].split('n')
print(pattern)
matches=re.finditer(reg,pattern,re.MULTILINE)
print(matches)

我正在使用嵌入在python 3.6的Anaconda发行版中的spyder编辑器。

我已经尝试了re.match功能，lambda x: x[1]尝试捕获内容，matches.group()迭代匹配片段，str(pattern)，以及许多其他解决方案，但没有一个按预期工作。

在某些时候，我设法首先查看它是否找到了匹配项，尽管我检查了我的文件以阿拉伯字母开头，但它给了我None！

另一方面，当一个简单的文本作为字符串直接传递给查找器时，我可以轻松完成任务！！

import re 
import pandas as pd
reg =r"^[u0621-u064A۰-۹0-9 ]+$"
test= ("هو الذي يصوركم في الأرحام كيف يشاء لا إله إلا هو العزيز الحكيم n"
"ربنا إنك جامع الناس ليوم لا ريب فيه إن الله لا يخلف الميعاد n"
"الصابرين والصادقين والقانتين والمنفقين والمستغفرين بالأسحار n"
"0123456789 n")
#Specifying encoding and text behavior
match=re.finditer(reg,test, re.MULTILINE)
print (match)
#looping over lines inside text
for matchNum, match in enumerate(match, start=1):
print("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))
for groupNum in range(0, len(match.groups())):
groupNum = groupNum + 1
print ("Group {groupNum} found at {start}-{end}: {group}".format(groupNum = groupNum, start = match.start(groupNum), end = match.end(groupNum), group = match.group(groupNum)))

并且输出正如预期的那样很好：

runfile('C:/Users/Al-Hammad/Documents/PhD/Second Year 2018-2019/Spring Semester 2018-2019/NLP/Assignments/Assignment 1/Arabic NLP.py', wdir='C:/Users/Al-Hammad/Documents/PhD/Second Year 2018-2019/Spring Semester 2018-2019/NLP/Assignments/Assignment 1')
<callable_iterator object at 0x000000000B285BA8>
Match 1 was found at 0-63: هو الذي يصوركم في الأرحام كيف يشاء لا إله إلا هو العزيز الحكيم 
Match 2 was found at 64-124: ربنا إنك جامع الناس ليوم لا ريب فيه إن الله لا يخلف الميعاد 
Match 3 was found at 125-185: الصابرين والصادقين والقانتين والمنفقين والمستغفرين بالأسحار 
Match 4 was found at 186-197: 0123456789 

第一个代码的输出必须是在测试文件中找到的匹配项，它可以是这样的：['العربية لغة رسمية في كل دول الوطن العربي إضافة إلى كونها لغة رسمية في تشاد وإريتريا وإسرائيل. وهي إحدى اللغات الرسمية الست في منظمة الأمم المتحدة، ويُحتفل باليوم العالمي للغة العربية في 18 ديسمبر كذكرى اعتماد العربية بين لغات العمل في الأمم المتحدة.[7]']

但它给了我这个错误，并且没有继续其他段落：

runfile('C:/Users/Al-Hammad/Documents/PhD/Second Year 2018-2019/Spring Semester 2018-2019/NLP/Assignments/Assignment 1/1-4-2019.py', wdir='C:/Users/Al-Hammad/Documents/PhD/Second Year 2018-2019/Spring Semester 2018-2019/NLP/Assignments/Assignment 1')
['اللُّغَة العَرَبِيّة هي أكثر اللغات تحدثاً ونطقاً ضمن مجموعة اللغات السامية، وإحدى أكثر اللغات انتشاراً في العالم، يتحدثها أكثر من 467 مليون نسمة،[4](1) ويتوزع متحدثوها في الوطن العربي، بالإضافة إلى العديد من المناطق الأخرى المجاورة كالأحواز وتركيا وتشاد ومالي والسنغال وإرتيريا وإثيوبيا وجنوب السودان وإيران. اللغة العربية ذات أهمية قصوى لدى المسلمين، فهي عندهم لغة مقدسة إذ أنها لغة القرآن، وهي لغة الصلاة وأساسية في القيام بالعديد من العبادات والشعائر الإسلامية.[5][6]']
Traceback (most recent call last):
File "<ipython-input-41-3249da970121>", line 1, in <module>
runfile('C:/Users/Al-Hammad/Documents/PhD/Second Year 2018-2019/Spring Semester 2018-2019/NLP/Assignments/Assignment 1/1-4-2019.py', wdir='C:/Users/Al-Hammad/Documents/PhD/Second Year 2018-2019/Spring Semester 2018-2019/NLP/Assignments/Assignment 1')
File "C:UsersAl-HammadAnaconda3envspy36libsite-packagesspyderutilssitesitecustomize.py", line 692, in runfile
execfile(filename, namespace)
File "C:UsersAl-HammadAnaconda3envspy36libsite-packagesspyderutilssitesitecustomize.py", line 101, in execfile
exec(compile(f.read(), filename, 'exec'), namespace)
File "C:/Users/Al-Hammad/Documents/PhD/Second Year 2018-2019/Spring Semester 2018-2019/NLP/Assignments/Assignment 1/1-4-2019.py", line 21, in <module>
matches=re.finditer(reg,pattern,re.MULTILINE)
File "C:UsersAl-HammadAnaconda3envspy36libre.py", line 229, in finditer
return _compile(pattern, flags).finditer(string)
TypeError: expected string or bytes-like object

谁能告诉我我在这里做错了什么？

Answer 1

您的test.txt文件可能utf-8编码。如果使用utf-8编码将问题中的test字符串复制到test.txt并保存，则以下方法将为您提供相同的结果：

import re 
reg = r"^[u0621-u064A۰-۹0-9 ]+$"
with open('test.txt', encoding='utf-8') as f_input:
test = f_input.read()
# Looping over regex matches inside text
for match_num, match in enumerate(re.finditer(reg, test, re.MULTILINE), start=1):
print(f"Match {match_num} was found at {match.start()}-{match.end()}: {match.group()}")

也就是说，它给出了以下输出：

Match 1 was found at 0-63: هو الذي يصوركم في الأرحام كيف يشاء لا إله إلا هو العزيز الحكيم 
Match 2 was found at 64-124: ربنا إنك جامع الناس ليوم لا ريب فيه إن الله لا يخلف الميعاد 
Match 3 was found at 125-185: الصابرين والصادقين والقانتين والمنفقين والمستغفرين بالأسحار 
Match 4 was found at 186-197: 0123456789            

注意：Pythonf字符串可用于简化打印语句。