使用Python正则表达式识别并输出土耳其语复数单词

嘿，你已经搞定了文件读取和文本预处理的核心步骤，做得很棒！接下来咱们一步步实现匹配土耳其语复数单词的功能：

第一步：修正变量名小细节 #

你的代码里用了list作为变量名，这会覆盖Python的内置list类型，容易引发潜在问题，建议换成更具描述性的名字，比如processed_lines。

第二步：编写适配土耳其语的正则表达式 #

土耳其语复数以-ler或-lar结尾，结合土耳其语的Unicode特殊字符（比如ı、ğ、ş等），我们可以用下面的正则模式精准匹配这类单词：

plural_pattern = r'\b\w+(?:ler|lar)\b'

各部分含义：

• \b：匹配单词边界，确保我们抓的是完整单词，而非长单词的片段
• \w+：匹配一个或多个Unicode字母/数字，完美兼容土耳其语特殊字符
• (?:ler|lar)：非捕获组，匹配-ler或-lar后缀，不会额外保存分组结果，效率更高

如果文本里单词后常跟着标点（比如逗号、句号），可以调整正则来忽略这些干扰：

plural_pattern = r'\b\w+(?:ler|lar)(?=[^\w]|$)'

(?=[^\w]|$)是正向预查，确保后缀后要么是非单词字符，要么是行尾，标点再多也不影响匹配。

第三步：完整代码实现 #

把正则匹配逻辑整合到你的代码里，最终版本如下：

import re

# 读取并预处理文件内容
file_path = 'C:/Users/ENE/Desktop/CSE & Kodlar/nlp/utf8textfile.txt'
with open(file_path, encoding='utf-8-sig', errors='ignore') as file:
    processed_lines = [line.strip() for line in file.readlines()]

# 定义土耳其语复数匹配模式
plural_pattern = r'\b\w+(?:ler|lar)\b'

# 遍历每行提取并输出复数单词
print("找到的土耳其语复数单词：")
for line in processed_lines:
    plural_words = re.findall(plural_pattern, line)
    if plural_words:
        print(f"行内容: {line}")
        print(f"复数单词: {plural_words}\n")

额外实用小技巧 #

• 如果文本有大小写混合情况（比如KitapLar），可以添加忽略大小写的标志：

  plural_words = re.findall(plural_pattern, line, flags=re.IGNORECASE)
  

• 想把所有复数单词收集到一个列表里统一查看？可以这样做：

  all_plural_words = []
  for line in processed_lines:
      all_plural_words.extend(re.findall(plural_pattern, line))
  print("所有复数单词汇总:", all_plural_words)
  

内容的提问来源于stack exchange，提问作者Harvey