Python实现按发言人尊称及大写姓氏分类文本的技术问询

需求描述：需将AllCongress.txt文件中的内容按发言人性别拆分至两个独立文件。文件中男性发言人格式为"Mr. XYZ"（XYZ为3个及以上连续大写字母），女性发言人格式为"Ms. XYZ"或"Mrs. XYZ"。需提取每个发言人标识后的文本并按性别分类，直至下一位发言人出现。本人为Python新手，无法实现检测该发言人格式的逻辑，上述为尝试实现的未完成混乱代码，寻求检测该格式的方法。

嘿，作为Python新手能尝试自己写代码已经很棒了！你的需求其实非常适合用正则表达式来解决，因为我们需要匹配特定格式的发言人标识，正则能高效搞定这种模式匹配问题。下面一步步给你讲清楚实现方法：

1. 明确匹配规则与正则表达式 #

首先我们需要精准匹配发言人的标识行：

• 男性发言人：行开头是Mr. ，后面跟着3个及以上连续大写字母（比如Mr. SMITH）
• 女性发言人：行开头是Ms. 或Mrs. ，后面跟着3个及以上连续大写字母（比如Ms. JOHNSON、Mrs. WILLIAMS）

对应可以写出这样的正则表达式：

import re
speaker_pattern = re.compile(r'^(Mr\.|Ms\.|Mrs\.) ([A-Z]{3,})$')

简单解释下这个正则：

• ^：匹配行的开头，确保我们只识别作为发言人开头的行
• (Mr\.|Ms\.|Mrs\.)：捕获发言人的头衔，注意.要转义成\.（因为.在正则里代表任意字符）
• ([A-Z]{3,})：捕获3个及以上的大写字母姓名
• $：匹配行的结尾，确保这一行就是完整的发言人标识

2. 完整Python代码实现 #

下面是可以直接运行的完整代码，我加了详细注释，方便你理解每一步：

import re

# 定义匹配发言人的正则模式
speaker_pattern = re.compile(r'^(Mr\.|Ms\.|Mrs\.) ([A-Z]{3,})$')

# 使用with语句打开文件，自动处理文件关闭，更安全
with open('AllCongress.txt', 'r') as input_file, \
     open('MaleSpeeches.txt', 'w') as male_file, \
     open('FemaleSpeeches.txt', 'w') as female_file:
    
    current_gender = None  # 记录当前发言人的性别
    current_speech = []    # 收集当前发言人的所有发言内容
    
    for line in input_file:
        stripped_line = line.strip()
        # 检查当前行是否匹配发言人标识
        match = speaker_pattern.match(stripped_line)
        if match:
            # 如果之前有未写入的发言内容，先写入对应文件
            if current_gender and current_speech:
                if current_gender == 'male':
                    male_file.write('\n'.join(current_speech) + '\n\n')
                else:
                    female_file.write('\n'.join(current_speech) + '\n\n')
                current_speech = []  # 重置发言内容列表
            
            # 根据捕获的头衔判断性别
            title = match.group(1)
            if title == 'Mr.':
                current_gender = 'male'
                # 写入发言人标识作为分隔线，方便后续查看
                male_file.write(f'--- {stripped_line} ---\n')
            else:
                current_gender = 'female'
                female_file.write(f'--- {stripped_line} ---\n')
        else:
            # 如果不是发言人标识，且已经识别过第一个发言人，就收集内容
            if current_gender is not None:
                current_speech.append(line.rstrip('\n'))
    
    # 处理文件末尾最后一段未写入的发言内容
    if current_gender and current_speech:
        if current_gender == 'male':
            male_file.write('\n'.join(current_speech) + '\n')
        else:
            female_file.write('\n'.join(current_speech) + '\n')

print("文件拆分完成！已生成MaleSpeeches.txt和FemaleSpeeches.txt")

3. 代码关键点说明 #

• with语句：自动管理文件的打开和关闭，避免忘记关闭文件导致的问题
• 正则匹配：用match()方法只匹配行开头的内容，避免误匹配文本中间的类似字符串
• 内容收集与写入：每次检测到新发言人时，先把上一位的发言写入对应文件，确保内容不会丢失
• 分隔线：加入--- 发言人标识 ---的格式，让生成的文件更易读

内容的提问来源于stack exchange，提问作者Donald Snyder