如何从文件名中提取对应的ground truth语言代码

正则匹配规则 #

针对Dictionary_en.txt这类「前缀+下划线+2位语言代码+.txt」格式的文件名，使用以下正则规则捕获目标内容：
_([a-z]{2})\.txt$

规则说明：

• _ 定位语言代码前的分隔符
• ([a-z]{2}) 为捕获组，匹配2位小写字母组成的语言代码
• \.txt$ 定位文件名末尾的后缀，避免误匹配文件名其他位置的下划线内容

常用场景实现示例 #

Python 实现 #

import re

filename = "Dictionary_en.txt"
match_res = re.search(r'_([a-z]{2})\.txt$', filename)
if match_res:
    lang_code = match_res.group(1)
    # 输出结果为 en

如果文件名格式完全固定（后缀恒为.txt、语言代码恒为2位、位于后缀前），也可以直接用字符串切片实现，性能更高：
lang_code = filename[-6:-4]

Shell 实现（grep 命令） #

echo "Dictionary_en.txt" | grep -oP '_\\K[a-z]{2}(?=\\.txt$)'
执行后直接输出en

内容的提问来源于stack exchange，提问作者amine