regex 正则表达式检查两个字符串是否相等但包含不同的上标

yacmzcpb 于 2023-06-07 发布在其他

关注(0)|答案(1)|浏览(177)

我比较两个PDF版本，并提供它们之间的差异。我遇到的一个问题是，对于一些版本之间相同的单词，它们有不同的上标。即使上标是不同的，我不感兴趣的标记它作为一个差异，因为它创造了太多的无意义的噪音
例如：
旧PDF -“这是一个词”
新PDF -“这是一个词”
这会产生很多噪音，我不想把它标记为一个差异，所以我试图创建一个正则表达式模式，我可以用它来忽略它
我需要创建一个模式，检查词根是否相同，并在后面跟随一些上标字符
以下是我到目前为止得到的：

pattern = '[a-zA-Z]+[\u02b0-\u207f]'

我需要的第一部分，而不是检查根字符串是相同的，其次是一些上标字符（S）
有什么想法吗有没有更好的方法来识别这些单词？

regex

来源：https://stackoverflow.com/questions/76416716/regex-expression-to-check-if-two-strings-are-equal-but-contain-different-supersc

1条答案

按热度按时间

jecbmhm31#

我建议看看unicodedata.category并使用它来消除Lm（修饰符字母）字符如下

import unicodedata
s1 = "This is a wordᵃᵃᵃ"
s2 = "This is a wordᵇᵇᵇ"
s1 = ''.join(i for i in s1 if unicodedata.category(i) != "Lm")
s2 = ''.join(i for i in s2 if unicodedata.category(i) != "Lm")
print(s1) # This is a word
print(s2) # This is a word
print(s1==s2) # True

但是请记住，它删除了Lm类别中的所有符号，而不是严格的字母。

赞(0）回复(0）举报 2023-06-07

我来回答

regex 正则表达式检查两个字符串是否相等但包含不同的上标

1条答案

相关问题

热门标签

最新问答