limodou大侠请进

tikico

UID: 30600
帖子: 23
积分: 52
在线时间: 10 分钟

1^# tikico 发表于 2006-03-22 15:20

limodou大侠请进

上次问过您的那个字符串问题，见到真实资料了，发现情况没有我问您那么简单，所以我决定从html处理，中间有个问题还得麻烦您：
原文件：

[Copy to clipboard] [ - ]

CODE:

【哀荣】 āiróng 〈书 fml.〉指死后的荣誉posthumous honour
【哀求】 āiqiú 哀告请求entreat; implore：～饶命plead for mercy|苦苦～implore piteously
【挨边】 āi∥biān (～儿 āｉ∥ｂｉāｎｒ) <ultr>a34d</ultr> 靠着边缘keep close to the edge：上了大路，要挨着边儿走。Keep close to the side when walking on the road. <ultr>a34e</ultr> 接近(某数，多指年龄) be near; be close to (a figure, usu. age)：我六十～儿了。I'm getting on sixty. <ultr>a34f</ultr> 接近事实或事物应有的样子be close to the truth of sth.; be relevant：你说的一点也不～儿! What you have said is totally irrelevant.

上次您写的那个程序，处理拼音是把所有汉语拼音写在一个列表，可真实的情况是：文件的汉语拼音并不标准，里面夹杂着英文字母，所以这个方法似乎不行，拼音开始已基本确定，我想从拼音结束的位置找规律，大致就上面几种情况，要么是' 〈'或者括号等，要么就是汉字，但是我不知道怎么去区分汉字，因为其中的汉语拼音也有双字节的。不知道有什么办法没有，谢谢了！

limodou

UID: 17491
帖子: 110
积分: 252
在线时间: 16 小时

2^# limodou 发表于 2006-03-22 15:28

我觉得你所说的情况很复杂，这其实与python无关，而是一个算法的问题。比如你举的第三个例子：

[Copy to clipboard] [ - ]

CODE:

【挨边】 āi∥biān (～儿 āｉ∥ｂｉāｎｒ) <ultr>a34d</ultr>

拼音后面还有拼音，这怎么区分。我想首先要确定算法，把所有的情况都考虑到。然后才能去写程序。

sunable

UID: 29346
帖子: 1
积分: 2
在线时间: 10 分钟

3^# sunable 发表于 2006-03-23 10:44

我对limodou提另一个问题.
看了你的《[Python学习]使用minidom来处理XML的示例(二)--XML的写入》后，有一处不明白。

[Copy to clipboard] [ - ]

CODE:

1 >>> import xml.dom.minidom
2 >>> impl = xml.dom.minidom.getDOMImplementation()
3 >>> dom = impl.createDocument(None, 'catalog', None)
4 >>> root = dom.documentElement
5 >>> text = unicode('汉字示例', 'cp936')
6 >>> item = makeEasyTag(dom, 'item', text)
7 >>> root.appendChild(item)
8 <DOM Element: item at 0xb9ceb8>
9 >>> root.toxml()
10 u'<catalog><item>\u6c49\u5b57\u793a\u4f8b</item></catalog>'
11 >>> f=file('d:/test.xml', 'w')
12 >>> import codecs
13 >>> writer = codecs.lookup('utf-8')[3](f)
14 >>> dom.writexml(writer, encoding='utf-8')
15 >>> writer.close()

请问这颗XML在写入文件后，是否一直存在内存里？如果是，如何从内存清除掉？

limodou

UID: 17491
帖子: 110
积分: 252
在线时间: 16 小时

4^# limodou 发表于 2006-03-23 11:17

不用的对象可以使用 v=None 或 del 来去掉它的引用计数。python会自动回收。一般小程序结束后自动就回收了，可以不用管它。

tikico

UID: 30600
帖子: 23
积分: 52
在线时间: 10 分钟

5^# tikico 发表于 2006-03-24 16:49

limodou大侠:前面的数据我已基本格式化了,现在有个问题:

[Copy to clipboard] [ - ]

CODE:

1.用电报陈述(事由) state via telegraph：谈判一有结果，迅即～。Report the result of the negotiation via telegraph as soon as it's out.
2〈方 dial.〉汽艇motorboat
3.(～儿ｄｉàｎｄēｎɡｐàｏｒ)白炽电灯上用的发光器件，一般呈梨形electric (light) bulb, usu. shaped like a pear;

现在我想在里面的英文加上标记:

[Copy to clipboard] [ - ]

CODE:

1.用电报陈述(事由) <eng>state via telegraph</eng>：谈判一有结果，迅即～。Report the result of the negotiation via telegraph as soon as it's out.
2〈方 dial.〉汽艇<eng>motorboat</eng>
3.(～儿ｄｉàｎｄēｎɡｐàｏｒ)白炽电灯上用的发光器件，一般呈梨形<eng>electric (light) bulb, usu. shaped like a pear;</eng>

但其中()、〈〉、<>里面的英文不要加,该怎么做比较好？谢谢!

limodou

UID: 17491
帖子: 110
积分: 252
在线时间: 16 小时

6^# limodou 发表于 2006-03-24 19:22

因为(),<>都是成对出现，因此可以象处理[]一样，读到一个(,<就一直读，直到遇到),>结束即可。

tikico

UID: 30600
帖子: 23
积分: 52
在线时间: 10 分钟

7^# tikico 发表于 2006-03-27 16:31

QUOTE:

原帖由 limodou 于 2006-3-24 19:22 发表
因为(),<>都是成对出现，因此可以象处理[]一样，读到一个(,<就一直读，直到遇到),>结束即可。

有个全角的〈〉也是特殊情况，于是我这样做的：

[Copy to clipboard] [ - ]

CODE:

      #全角的〈是双字节的，第一个字节是161，第二个是180
         if ord(temp[m])==161 and ord(temp[m+1])== 180 and lw4_flag == 0:
            lw4_flag = 1
            buf.append('〈')  # 或者buf.append(temp[m:m+1])结果一样
            m += 2

可结果出现了乱码，由于不是用Unicode，所以只能这样子。
原文这样子：

[Copy to clipboard] [ - ]

CODE:

āｎ〈书 fml.〉〈疑问代词 interrog.pron.〉

执行后变成了

[Copy to clipboard] [ - ]

CODE:

āｎ </py><chi>词?fml.〉銆堃晌蚀??interrog.pron.銆?

应该是字节错位了，但是是哪里呢？

limodou

UID: 17491
帖子: 110
积分: 252
在线时间: 16 小时

8^# limodou 发表于 2006-03-27 20:28

看不了什么问题，加些调试信息看一看吧。