У меня есть большой .txt
файл, состоящий из: word1
, word2
, id
, number
следующим образом:Проблемы с кодировкой regex python?
s = '''
Vaya ir VMM03S0 0.427083
mañanita mañana RG 0.796611
, , Fc 1
buscando buscar VMG0000 1
una uno DI0FS0 0.951575
lavadora lavadora NCFS000 0.414738
con con SPS00 1
la el DA0FS0 0.972269
que que PR0CN000 0.562517
sorprender sorprender VMN0000 1
a a SPS00 0.996023
una uno DI0FS0 0.951575
persona persona NCFS000 0.98773
muy muy RG 1
especiales especial AQ0CS0 1
para para SPS00 0.999103
nosotros nosotros PP1MP000 1
, , Fc 1
y y CC 0.999962
la lo PP3FSA00 0.0277039
encontramos encontrar VMIP1P0 0.65
. . Fp 1
Pero pero CC 0.999764
vamos ir VMIP1P0 0.655914
a a SPS00 0.996023
lo el DA0NS0 0.457533
que que PR0CN000 0.562517
interesa interesar VMIP3S0 0.994868
LO_QUE_INTERESA_La lo_que_interesa_la NP00000 1
lavadora lavador AQ0FS0 0.585262
tiene tener VMIP3S0 1
una uno DI0FS0 0.951575
clasificación clasificación NCFS000 1
A+ a+ NP00000 1
, , Fc 1
de de SPS00 0.999984
las el DA0FP0 0.970954
que que PR0CN000 0.562517
ahorran ahorrar VMIP3P0 1
energía energía NCFS000 1
, , Fc 1
si si CS 0.99954
no no RN 0.998134
me me PP1CS000 0.89124
equivoco equivocar VMIP1S0 1
. . Fp 1
Lava lavar VMIP3S0 0.397388
hasta hasta SPS00 0.957698
7 7 Z 1
kg kilogramo NCMN000 1
, , Fc 1
no no RN 0.998134
está estar VAIP3S0 0.999201
nada nada RG 0.135196
mal mal RG 0.497537
, , Fc 1
se se P00CN000 0.465639
le le PP3CSD00 1
veía ver VMII3S0 0.62272
un uno DI0MS0 0.987295
gran gran AQ0CS0 1
tambor tambor NCMS000 1
((Fpa 1
de de SPS00 0.999984
acero acero NCMS000 0.973481
inoxidable inoxidable AQ0CS0 1
)) Fpt 1
y y CC 0.999962
un uno DI0MS0 0.987295
consumo consumo NCMS000 0.948927
máximo máximo AQ0MS0 0.986111
de de SPS00 0.999984
49 49 Z 1
litros litro NCMP000 1
Mandos mandos NP00000 1
intuitivos intuitivo AQ0MP0 1
, , Fc 1
todo todo PI0MS000 0.43165
muy muy RG 1
bien bien RG 0.902728
explicado explicar VMP00SM 1
, , Fc 1
nada nada PI0CS000 0.850279
que que PR0CN000 0.562517
ver ver VMN0000 0.997382
con con SPS00 1
hola RG 0.90937838
como VMP00SM 1
estas AQ089FG 0.90839
la el DA0FS0 0.972269
lavadora lavadora NCFS000 0.414738
de de SPS00 0.999984
casa casa NCFS000 0.979058
de de SPS00 0.999984
mis mi DP1CPS 0.995868
padres padre NCMP000 1
Además además NP00000 1
también también RG 1
seca seco AQ0FS0 0.45723
preciadas preciar VMP00PF 1
. . Fp 1'''
Например, для s
«файл» Я хотел бы, чтобы извлечь ids
, которые начинаются с AQ
и RG
с последующим их word2
, но они должны ocurre один за другим для приведенного выше примера эти слова держать друг за другом порядке:
muy muy RG 1
especial especial AQ0CS0 1
Для примера это слово оленьей кожи держат друг за другой порядок, так что я не хотел бы, чтобы извлечь их в виде кортежа:
hola RG 0.90937838
como VMP00SM 1
estas AQ089FG 0.90839
Я хотел бы создать регулярное выражение, которое извлечь в кортеже перечислите только word2
, а затем его id
вот так: [('word2','id')]
для всего TXT-файла и для всех слов, которые хранятся по-другому. Для приведенного выше примера это единственный правильный выход:
muy muy RG 1
especiales especial AQ0CS0 1
и
también también RG 1
seca seco AQ0FS0 0.45723
Затем вернуть их в кортеж с полным id
, так как они сохраняют одну за другой заказ:
[('muy', 'RG', 'especial', 'AQ0CS0'), ('también', 'RG', 'seco', 'AQ0FS0')]
Я попробовал следующее:
в:
t = re.findall(r'(\w+)\s*(RG)[^\n]*\n[^\n]*?(\w+)\s*(AQ\w*)', s)
print t
Но мой выход неправильно, так как падают акцент и некоторые символы:
из:
[('muy', 'RG', 'especial', 'AQ0CS0'), ('n', 'RG', 'seco', 'AQ0FS0')]
вместо, который является правильным:
[('muy', 'RG', 'especial', 'AQ0CS0'), ('también', 'RG', 'seco', 'AQ0FS0')]
Не мог бы кто-нибудь помочь мне под что случилось с моим предыдущим примером и как его исправить, чтобы поймать word2
и id
, которые сохраняют одно за другим. Спасибо заранее, ребята.
Is '' 'mañanita mañana RG 0.796611''' действительно? – wwii
Спасибо за помощь @wwii. Недействительно, так как отсутствует 'AQ' после' mañanita mañana RG 0.796611' – newWithPython
Единственный допустимый вывод для этого: '[('muy', 'RG', 'specialpecial', 'AQ0CS0'), ('también' , 'RG', 'seco', 'AQ0FS0')] ' – newWithPython