文档处理问题

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 539 天前的主题，其中的信息可能已经有所发展或是发生改变。

背景介绍：

1 ，文档为中文文档有几千行；
2 ，每行的字符类型组合为「中文」「标点符号」「制表键（ TAB 键）」；
3 ，每行的格式为：「 XXX 制表键 XXXXXXX 」其中：XXX 均为中文字符，但制表键前的中文字符可长可短（有可能两个也可能多个），注意：方括号「」不是格式的一部分；

需求：

1 ，要将每行中，制表键前面为两个的中文字符的行筛选出来，最好能将筛选后的结果，独立成为文档保存。
2 ，用正则表达式表达，或通过 EXCEL 表达；
3 ，我是程序小白，或者还有什么其他既能够满足需求又方便操作的手段，也可以赐教。

例如：

百毒不侵 1 ，任何毒物皆无法侵害。2 ，比喻修养功夫极佳，任何坏事皆无法影响。
百凡泛指一切。
百废待兴许多被废置的事业都等着兴办。
宝璐美玉。
宝训皇帝的言论诏谕、引申为宝贵的格言。
宝用珍重使用。
百废俱兴许多原已荒废松弛的事情都已重新兴办。比喻任事振作有为。

效果：

百凡泛指一切。
宝璐美玉。
宝训皇帝的言论诏谕、引申为宝贵的格言。
宝用珍重使用。

感谢！

制表键

字符

中文

文档

4 条回复 • 2023-06-02 13:59:34 +08:00

Pernalin

2023-06-02 13:33:22 +08:00 via Android

^[\u4e00-\u9fa5]{3,}\t{1}.*\n
匹配开头中文大于三个的，全部替换成空就好了
最后一行得手动处理

Vegetable

2023-06-02 13:51:53 +08:00

如果不追求自动化的话。

复制到 excel 里，制表符会自动分行，筛选条件自定义为??，就去掉了所有非两个字符的列。
在稍微排序一下，这样中文都会集中在一起，手动去掉非中文的就行了。
必要时可以添加辅助列，再基于第二个字符重新排列=RIGHT(A1,1)排序，去掉第二个字符不是汉字的行。缺点也是有的，顺序会变，不过也自然有办法回避，反正就几千行，Excel 几步就做完了。

Vegetable

2023-06-02 13:52:16 +08:00

哦第一步是去掉行

lts9165

2023-06-02 13:59:34 +08:00

如果你正在使用 Excel ，你可以使用这样的步骤来完成你的需求：

先将你的文档内容导入到 Excel 。假设内容在第一列（ A 列）。

在第二列（ B 列）你可以使用“寻找和替换”或者“长度”函数判断一行中制表符前的中文字符是否为两个。

"寻找和替换"可以通过替换掉制表符后的内容，然后看剩下的长度。具体操作是在 B 列第一个单元格（例如 B1 ）输入这样的公式：=LEN(SUBSTITUTE(A1, MID(A1, FIND(CHAR(9), A1), 999), ""))。这个公式先找到制表符的位置，然后取出制表符后的所有内容，接着把这部分内容从原文中替换掉，最后计算剩下的长度。如果长度为 2 ，说明制表符前的中文字符是两个。

"长度"函数就直接计算制表符前的内容的长度。具体操作是在 B 列第一个单元格（例如 B1 ）输入这样的公式：=LEN(LEFT(A1, FIND(CHAR(9), A1)-1))。这个公式先找到制表符的位置，然后取出制表符前的所有内容，最后计算这部分内容的长度。如果长度为 2 ，说明制表符前的中文字符是两个。

把刚刚输入的公式复制到整个 B 列。

过滤 B 列等于 2 的行，然后复制过滤后的 A 列的内容到新的 Excel 或者文档。

如果你在使用 Python 或其他编程语言，可以写一个简单的程序处理。例如在 Python 中，你可以使用下面的代码：

with open('原文件.txt', 'r', encoding='utf-8') as f_in, open('新文件.txt', 'w', encoding='utf-8') as f_out:
for line in f_in:
if len(line.split('\t')[0]) == 2:
f_out.write(line)
这段代码会读取'原文件.txt'，然后把每一行中制表符前的中文字符是两个的行写入到'新文件.txt'。

以上两种方式应该都可以满足你的需求。如果还有问题，欢迎继续提问！
By chatgpt