93578
Mar 03, 2017, updated at 15:54:20 (UTC)
4740
6
0
Regex - zusammengefasste Wörter finden und korrekt trennen???
Hallo Community,
ich habe folgendes Problem: in einer Text-Datei mit fast 15.000.000 Wörter (1 Wort pro Zeile) habe ich durch ein Berabeitungsfehler einige Wörter zusammengefasst bekommen, die früher durch ein Bindestrich getrennt waren:
Z.B.
"Ist"-Zustand:
"Soll"-Zustand:
oder (noch besser):
Wie kann ich das korrigieren? Klein/Groß-Schreibung soll dabei beachtet werden.
Vielen Dank!
ich habe folgendes Problem: in einer Text-Datei mit fast 15.000.000 Wörter (1 Wort pro Zeile) habe ich durch ein Berabeitungsfehler einige Wörter zusammengefasst bekommen, die früher durch ein Bindestrich getrennt waren:
Z.B.
"Ist"-Zustand:
MaxMoritzStraße
MaxPlankInstitut
KarlHeinz
TheodorHeinrichMariaVonSchmidt"Soll"-Zustand:
Max-Moritz-Straße
Max-Plank-Institut
Karl-Heinz
Theodor-Heinrich-Maria-Von-Schmidtoder (noch besser):
Max
Moritz
Straße
Max
Plank
Institut
Karl
Heinz
Theodor
Heinrich
Maria
Von
SchnidtWie kann ich das korrigieren? Klein/Groß-Schreibung soll dabei beachtet werden.
Vielen Dank!
Share on Facebook
Share on Twitter
Share on Reddit
Share on LinkedinPlease also mark the comments that contributed to the solution of the article
Content-Key: 331050
Url: https://administrator.de/contentid/331050
Printed on: April 26, 2024 at 18:04 o'clock
6 Comments
Latest comment
Mach ein Case Sensitive Replace mit folgendem Pattern:
und als Ersetzungsstring ein Zeilenumbruch \r\n
Sucht mit einem non matching Negative Lookbehind nach keinem Zeilenanfang und mit einem non matching Positive Lookahead nach einem Großbuchstaben und setzt dort dann den Zeilenumbruch beim Replace ein.
Gruß
(?<!^)(?=[A-Z])Sucht mit einem non matching Negative Lookbehind nach keinem Zeilenanfang und mit einem non matching Positive Lookahead nach einem Großbuchstaben und setzt dort dann den Zeilenumbruch beim Replace ein.
Gruß
[OT]
Zitat von @132272:
und als Ersetzungsstring ein Zeilenumbruch \r\n
Kranker ### - mit Notepad++ funktioniert das einwandfrei. Muss ich mir unbedingt mal ansehen wie das funktioniert.> (?<!^)(?=[A-Z])
> 
Moin,
Je nachdem welche Sprache du nehmen willst, kann es hier unterschiede geben.
Beim nutzen von PCRE wird es einfach. Ich empfehle ja immer www.regex101.com als nette plattform zum ausarbeiten von Regex. Sie bieten übrigens auch Code generation und eine wunderbare Referenz an bezüglich Match-Pattern.
Hier mal mein Beispiel für die Version mit Bindestrich: https://regex101.com/r/sLKPru/2
Wenn du lieber alles in einzelne Zeilen haben willst, einfach den bindestrich durch `\n` ersetzen.
Du solltest ein bisschen rumspielen und ausprobieren, ich denke ich habe dir da einen guten Ansatz geliefert ;)
Gruß
Chris
Je nachdem welche Sprache du nehmen willst, kann es hier unterschiede geben.
Beim nutzen von PCRE wird es einfach. Ich empfehle ja immer www.regex101.com als nette plattform zum ausarbeiten von Regex. Sie bieten übrigens auch Code generation und eine wunderbare Referenz an bezüglich Match-Pattern.
Hier mal mein Beispiel für die Version mit Bindestrich: https://regex101.com/r/sLKPru/2
Wenn du lieber alles in einzelne Zeilen haben willst, einfach den bindestrich durch `\n` ersetzen.
Du solltest ein bisschen rumspielen und ausprobieren, ich denke ich habe dir da einen guten Ansatz geliefert ;)
Gruß
Chris
1
Danke. Kannst du mir es ein bisschen erklären (mit dem Perl)? Geht so was nicht mit sed?
Perl war nur der Modus wenn du Ultraedit genutzt hättest.
Du musst nur eine Regex Engine benutzen welche
positive lookaheads und negative lookbehinds unterstützt.
SED unterstützt diese nicht aber dort kannst du alternativ das hier nutzen:
Du musst nur eine Regex Engine benutzen welche
positive lookaheads und negative lookbehinds unterstützt.
SED unterstützt diese nicht aber dort kannst du alternativ das hier nutzen:
sed -re 's/([^^])([A-Z])/\1\n\2/g' datei.txt >datei-neu.txt
Danke.