Python - pyparsing unicode 字符

Question

:) 我尝试使用 w = Word(printables)，但它不起作用。我应该如何给出这个规格。 'w' 旨在处理印地语字符 (UTF-8)

代码指定语法并进行相应的解析。

671.assess  :: अहसास  ::2
x=number + "." + src + "::" + w + "::" + number + "." + number

如果只有英文字符，则它可以工作，因此代码对于 ascii 格式是正确的，但代码对于 unicode 格式不起作用。

我的意思是，当我们有以下形式的代码时，代码就会起作用 671.assess :: ahsaas :: 2

即它解析英语格式的单词，但我不确定如何解析然后打印 unicode 格式的字符。我需要这个来进行英语印地语单词对齐。

python 代码如下所示：

# -*- coding: utf-8 -*-
from pyparsing import Literal, Word, Optional, nums, alphas, ZeroOrMore, printables , Group , alphas8bit , 
# grammar 
src = Word(printables)
trans =  Word(printables)
number = Word(nums)
x=number + "." + src + "::" + trans + "::" + number + "." + number
#parsing for eng-dict
efiledata = open('b1aop_or_not_word.txt').read()
eresults = x.parseString(efiledata)
edict1 = {}
edict2 = {}
counter=0
xx=list()
for result in eresults:
  trans=""#translation string
  ew=""#english word
  xx=result[0]
  ew=xx[2]
  trans=xx[4]   
  edict1 = { ew:trans }
  edict2.update(edict1)
print len(edict2) #no of entries in the english dictionary
print "edict2 has been created"
print "english dictionary" , edict2 

#parsing for hin-dict
hfiledata = open('b1aop_or_not_word.txt').read()
hresults = x.scanString(hfiledata)
hdict1 = {}
hdict2 = {}
counter=0
for result in hresults:
  trans=""#translation string
  hw=""#hin word
  xx=result[0]  
  hw=xx[2]
  trans=xx[4]
  #print trans
  hdict1 = { trans:hw }
  hdict2.update(hdict1)

print len(hdict2) #no of entries in the hindi dictionary
print"hdict2 has been created"
print "hindi dictionary" , hdict2
'''
#######################################################################################################################

def translate(d, ow, hinlist):
   if ow in d.keys():#ow=old word d=dict
    print ow , "exists in the dictionary keys"
        transes = d[ow]
    transes = transes.split()
        print "possible transes for" , ow , " = ", transes
        for word in transes:
            if word in hinlist:
        print "trans for" , ow , " = ", word
                return word
        return None
   else:
        print ow , "absent"
        return None

f = open('bidir','w')
#lines = ["'\
#5# 10 # and better performance in business in turn benefits consumers .  # 0 0 0 0 0 0 0 0 0 0 \
#5# 11 # vHyaapaar mEmn bEhtr kaam upbhOkHtaaomn kE lIe laabhpHrdd hOtaa hAI .  # 0 0 0 0 0 0 0 0 0 0 0 \
#'"]
data=open('bi_full_2','rb').read()
lines = data.split('!@#$%')
loc=0
for line in lines:
    eng, hin = [subline.split(' # ')
                for subline in line.strip('\n').split('\n')]

    for transdict, source, dest in [(edict2, eng, hin),
                                    (hdict2, hin, eng)]:
        sourcethings = source[2].split()
        for word in source[1].split():
            tl = dest[1].split()
            otherword = translate(transdict, word, tl)
            loc = source[1].split().index(word)
            if otherword is not None:
                otherword = otherword.strip()
                print word, ' <-> ', otherword, 'meaning=good'
                if otherword in dest[1].split():
                    print word, ' <-> ', otherword, 'trans=good'
                    sourcethings[loc] = str(
                        dest[1].split().index(otherword) + 1)

        source[2] = ' '.join(sourcethings)

    eng = ' # '.join(eng)
    hin = ' # '.join(hin)
    f.write(eng+'\n'+hin+'\n\n\n')
f.close()
'''

如果源文件的示例输入句子是：

1# 5 # modern markets : confident consumers  # 0 0 0 0 0 
1# 6 # AddhUnIk baajaar : AshHvsHt upbhOkHtaa .  # 0 0 0 0 0 0 
!@#$%

输出将如下所示：-

1# 5 # modern markets : confident consumers  # 1 2 3 4 5 
1# 6 # AddhUnIk baajaar : AshHvsHt upbhOkHtaa .  # 1 2 3 4 5 0 
!@#$%

输出说明：- 这样就实现了双向对齐。 这意味着英语“modern”的第一个单词映射到印地语“AddhUnIk”的第一个单词，反之亦然。这里甚至字符也被视为单词，因为它们也是双向映射的组成部分。因此，如果你观察印地文单词“.”具有空对齐，并且它相对于英语句子没有映射到任何内容，因为它没有句号。 当我们处理多个句子时，输出的第三行基本上表示一个分隔符，您试图为其实现双向映射。

如果我有 Unicode(UTF-8) 格式的印地语句子，我应该进行哪些修改才能使其工作。

Answer 1

Pyparsing 的 printables 仅处理 ASCII 字符范围内的字符串。您希望在完整的 Unicode 范围内打印，如下所示：

unicodePrintables = u''.join(unichr(c) for c in xrange(sys.maxunicode) 
                                        if not unichr(c).isspace())

现在您可以使用更完整的非空格字符集定义 trans：

trans = Word(unicodePrintables)

我无法针对您的印地语测试字符串进行测试，但我认为这是会成功的。

（如果您使用的是 Python 3，则没有单独的 unichr 函数，也没有 xrange 生成器，只需使用：

unicodePrintables = ''.join(chr(c) for c in range(sys.maxunicode) 
                                        if not chr(c).isspace())

编辑：

随着最近发布的 pyparsing 2.3.0，已定义新的命名空间类来提供 printables、alphas、nums 和 alphanums 用于各种 Unicode 语言范围。

import pyparsing as pp
pp.Word(pp.pyparsing_unicode.printables)
pp.Word(pp.pyparsing_unicode.Devanagari.printables)
pp.Word(pp.pyparsing_unicode.देवनागरी.printables)

Answer 2

作为一般规则，不要不处理编码的字节串：尽快将它们转换为正确的 unicode 字符串（通过调用其 .decode 方法），始终进行所有处理在 unicode 字符串上，然后，如果您必须出于 I/O 目的，.encode 将它们重新转换为您需要的任何字节串编码。

如果您谈论的是文字，就像您在代码中一样，“尽快”是一次：使用 u'...' 来表达你的文字。在更一般的情况下，您被迫以编码形式执行 I/O，它会在输入之后立即进行（就像如果您需要以特定编码形式执行输出一样，它会在输出之前立即执行）。

Answer 3

我正在搜索 french unicode chars 并落在这个问题上。如果您搜索法语或其他拉丁口音，使用 pyparsing 2.3.0 您可以使用：

>>> pp.pyparsing_unicode.Latin1.alphas
'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyzªµºÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏÐÑÒÓÔÕÖØÙÚÛÜÝÞßàáâãäåæçèéêëìíîïðñòóôõöøùúûüýþÿ'