首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >如何在文本文件中重新连接用连字符拆分的单词

问如何在文本文件中重新连接用连字符拆分的单词
EN

Stack Overflow用户
提问于 2012-02-23 20:51:25
回答 5查看 1.3K关注 0票数 2

OCR文本通常包含从一行到另一行的单词,第一行末尾带有连字符。(例如:单词中插入了'-\n‘)。

我希望在一个文本文件中重新连接所有这样的拆分单词(在linux环境中)。

我相信使用sed或awk应该可以做到这一点,但是它们的语法对我来说太神奇了!我知道windows中的一个文本编辑器可以在搜索表达式中执行regex搜索/用换行符替换,但我不知道在linux中有这样的功能。

EN

回答 5

Stack Overflow用户

回答已采纳

发布于 2012-02-23 20:52:54

代码语言:javascript
复制
cat file | perl -p -e 's/-\n//'

如果文件有windows行结尾,则需要使用类似于以下内容的命令来捕获cr-lf:

代码语言:javascript
复制
cat file | perl -p -e 's/-\s\n//'
票数 1
EN

Stack Overflow用户

发布于 2012-02-23 21:36:53

请确保在运行之前备份ocr_file,因为此命令将修改ocr_file的内容:

代码语言:javascript
复制
perl -i~ -e 'BEGIN{$/=undef} ($f=<>) =~ s#-\s*\n\s*(\S+)#$1\n#mg; print $f' ocr_file
票数 2
EN

Stack Overflow用户

发布于 2020-10-13 17:24:42

这个答案是相关的,因为我想把这些词连接在一起……而不仅仅是删除破折号字符。

代码语言:javascript
复制
cat file| perl -CS -pe's/-\n//'|fmt -w52

这是一个简短的答案,但是在段落被fmt破坏之后,它使用perl来改革段落。

没有fmt,你可以做

代码语言:javascript
复制
#!/usr/bin/perl 
use open qw(:std :utf8);
undef $/; $_=<>; 
s/-\n(\w+\W+)\s*/$1\n/sg;
print;

此外,如果您正在进行OCR,则可以使用此perl行程序将unicode utf-8短划线转换为ascii短划线字符。注意告诉perl关于utf-8的-CS选项。

代码语言:javascript
复制
# 0x2009 - 0x2015 em-dashes to ascii dash 
    perl -CS -pe 'tr/\x{2009}\x{2010}\x{2011}\x{2012\x{2013}\x{2014}\x{2015}/-/'
票数 2
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/9413445

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档