Seite 2 von 2
Verfasst: Donnerstag 25. Juni 2009, 18:28
von BlackJack
@CiveX: Du hast da keine Buchstaben, sondern Bytes. Und ich vermute mal das die Buchstaben, die Du eingegeben hast, als UTF-8 kodiert sind. Damit ist alles ausserhalb von ASCII als zwei Bytes kodiert. Und damit kannst Du dann reguläre Ausdrücke und *Buchstaben* vergessen. Du solltest konsequent mit Unicode arbeiten, wenn Du mit Text arbeitest.
Verfasst: Donnerstag 25. Juni 2009, 18:31
von Hyperion
Du musst den hinteren Teil "gruppieren". Somit kannst Du dort die Mindestlänge festlegen:
Code: Alles auswählen
In [24]: nomen = re.compile(r"[A-ZÄÖÜ]([a-zöäü]+){2,}")
In [25]: re.match(nomen, "Eins")
Out[25]: <_sre.SRE_Match object at 0x2722648>
In [26]: re.match(nomen, "Ei")
In [27]: re.match(nomen, "Ein")
Out[27]: <_sre.SRE_Match object at 0x2722738>
Du sollest so etwas am besten in ner Shell oder einem Editor für Python RegExps testen. Z.B.
Kodos
Verfasst: Donnerstag 25. Juni 2009, 18:37
von CiveX
Nicht laut meiner Ausgabe, BlackJack:
Nomenlexikon
set([u'Chlodwigs', u'Folge', u'Wohltun', u'Weile', u'Mauer'...
Nomentoken-Liste
[u'Chlodwigs', u'Folge', u'Wohltun', u'Weile',....
Nomendictionary
{u'Chlodwigs': '[n.d.]', u'Folge': 'F', u'Wohltun': 'N', u'Weile': 'F', u'Mauer': 'M', u'Paris': 'N'....
Scheint alles in Unicode zu sein!
@Hyperion: OMG!
me = dumm
! Danke das geht schonmal besser.
Jetzt muss ich nur noch rausfinden, warum der Kräfte, Geräusche, Städte, etc. rauswirft.
Also der wirft Wörter raus, die zwar mind. 3 Buchstaben lang sind,a ber deren 3. bzw. 4. Buchstabe ein ä,ö,ü, oder ß ist. Das macht überhaupt keinen Sinn
Verfasst: Donnerstag 25. Juni 2009, 19:08
von CiveX
Okay, das muss an meinem Code liegen:
http://paste.pocoo.org/show/125126/ !
Laut Shell, wie Hyperion wollte, liegt es nicht am reg. Ausdrück:
Ich glaube Blackjack hat recht, eventuell. Liegt vielleicht am UTF-8/Unicode Gedöns.
Könnte jemand mal schauen bitte? Ich bin ratlos
Meine Ausgaben oben zeigen ja, dass es Unicode ist am u'blablub'
Verfasst: Donnerstag 25. Juni 2009, 19:56
von BlackJack
@CiveX: Deine *regulären Ausdrücke* sind kein Unicode, nur die Daten auf die Du sie anwendest.
Verfasst: Donnerstag 25. Juni 2009, 20:29
von CiveX
jo, u'blablub' statt r'blablub', recht haste!
Verfasst: Donnerstag 25. Juni 2009, 21:39
von Leonidas
Am besten ``ur``, damit die Raw-Einstellung beibehalten wird.