使用 Python 将引号转换为 Latex 格式

Question

tl;dr 版本

我的段落可能包含引号（例如“blah blah”、“this one also”等）。现在我必须在 python 3.0 的帮助下将它替换为乳胶风格的引用（例如“blah blah”、“this also”等）。

背景

我有很多纯文本文件（超过 100 个）。现在，在对这些文件进行少量文本处理后，我必须制作一个包含从这些文件中获取的内容的单个 Latex 文档。为此，我正在使用 Python 3.0。现在我可以让其他所有内容（如转义字符、部分等）工作，但我无法正确获取引号。

我可以找到带有正则表达式的模式（如here 所述），但是如何用给定的模式替换它？在这种情况下，我不知道如何使用“re.sub()”函数。因为我的字符串中可能有多个引号实例。有this 与此相关的问题，但是我如何用python 实现呢？

Answer 1

设计注意事项

1. 我只考虑了常规的"double-quotes" 和'single-quotes'。可能还有其他引号（见this question）
2. LaTeX 结束引号也是单引号 - 我们不想捕获 LaTeX 双引号（例如“LaTeX 双引号”）并将其误认为是单引号（几乎没有）李>
3. 单词缩写和所有权's 包含单引号（例如don't、John's）。它们的特点是字母字符围绕在引号的两侧
4. 常规名词（复数所有权）在单词后有单引号（例如 the actresses' roles）

解决方案

import re

def texify_single_quote(in_string):
    in_string = ' ' + in_string #Hack (see explanations)
    return re.sub(r"(?<=\s)'(?!')(.*?)'", r"`\1'", in_string)[1:]

def texify_double_quote(in_string):
    return re.sub(r'"(.*?)"', r"``\1''", in_string)

测试

with open("test.txt", 'r') as fd_in, open("output.txt", 'w') as fd_out:
    for line in fd_in.readlines():

        #Test for commutativity
        assert texify_single_quote(texify_double_quote(in_string)) == texify_double_quote(texify_single_quote(in_string))

        line = texify_single_quote(line)
        line = texify_double_quote(line)
        fd_out.write(line)

输入文件（test.txt）：

# 'single', 'single', "double"
# 'single', "double", 'single'
# "double", 'single', 'single'
# "double", "double", 'single'
# "double", 'single', "double"
# I'm a 'single' person
# I'm a "double" person?
# Ownership for plural words; the peoples' 'rights'
# John's dog barked 'Woof!', and Fred's parents' 'loving' cat ran away.
# "A double-quoted phrase, with a 'single' quote inside"
# 'A single-quoted phrase with a "double quote" inside, with contracted words such as "don't"'
# 'A single-quoted phrase with a regular noun such as actresses' roles'

输出（output.txt）：

# `single', `single', ``double''
# `single', ``double'', `single'
# ``double'', `single', `single'
# ``double'', ``double'', `single'
# ``double'', `single', ``double''
# I'm a `single' person
# I'm a ``double'' person?
# Ownership for plural words; the peoples' `rights'
# John's dog barked `Woof!', and Fred's parents' `loving' cat ran away.
# ``A double-quoted phrase, with a `single' quote inside''
# `A single-quoted phrase with a ``double quote'' inside, with contracted words such as ``don't'''
# `A single-quoted phrase with a regular noun such as actresses' roles'

（注意 cmets 被预先添加以停止对帖子输出进行格式化！）

说明

我们将分解这个正则表达式模式，(?<=\s)'(?!')(.*?)'：

• 总结：(?<=\s)'(?!') 处理开头的单引号，而(.*?) 处理引号中的内容。
• (?<=\s)' 是 positive look-behind 并且只匹配前面有空格 (\s) 的单引号。这对于防止匹配缩略词（例如 can't）非常重要（注意事项 3、4）。
• '(?!') 是 negative look-ahead，仅匹配 not 后跟另一个单引号的单引号（注意事项 2）。
• 如this answer 中所述，(.*?) 模式捕获引号之间的内容，而\1 包含捕获内容。
• "Hack" in_string = ' ' + in_string 之所以存在，是因为正向后视 不 捕获从行首开始的单引号，因此为所有行（然后在返回时用切片删除它，return re.sub(...)[1:]）解决了这个问题！

Answer 2

正则表达式非常适合某些任务，但它们仍然有限（阅读this 了解更多信息）。为此任务编写解析器似乎更容易出错。

我为此任务创建了一个简单的函数并添加了 cmets。如果对实施仍有疑问，请询问。

代码（online version here）：

the_text = '''
This is my \"test\" String
This is my \'test\' String
This is my 'test' String
This is my \"test\" String which has \"two\" quotes
This is my \'test\' String which has \'two\' quotes
This is my \'test\' String which has \"two\" quotes
This is my \"test\" String which has \'two\' quotes
'''


def convert_quotes(txt, quote_type):
    # find all quotes
    quotes_pos = []
    idx = -1

    while True:
        idx = txt.find(quote_type, idx+1)
        if idx == -1:
            break
        quotes_pos.append(idx)

    if len(quotes_pos) % 2 == 1:
        raise ValueError('bad number of quotes of type %s' % quote_type)

    # replace quote with ``
    new_txt = []
    last_pos = -1

    for i, pos in enumerate(quotes_pos):
        # ignore the odd quotes - we dont replace them
        if i % 2 == 1:
            continue
        new_txt += txt[last_pos+1:pos]
        new_txt += '``'
        last_pos = pos

    # append the last part of the string
    new_txt += txt[last_pos+1:]

    return ''.join(new_txt)

print(convert_quotes(convert_quotes(the_text, '\''), '"'))

打印出来：

This is my ``test" String
This is my ``test' String
This is my ``test' String
This is my ``test" String which has ``two" quotes
This is my ``test' String which has ``two' quotes
This is my ``test' String which has ``two" quotes
This is my ``test" String which has ``two' quotes

注意：解析嵌套引号是不明确的。

例如： 字符串"bob said: "alice said: hello"" 嵌套在正确的语言上

但是：

字符串"bob said: hi" and "alice said: hello" 没有嵌套。

如果这是您的情况，您可能希望首先将这些嵌套引号解析为不同的引号，或使用括号 () 进行嵌套引号消歧。