0

正規表現を使用して、入力テキスト ファイルから和音を抽出します。ほとんどの場合は機能しますが、特定のファイルで失敗します。

これは私の正規表現コードです:

def getChordMatches(line):
    import re

    notes = "[ABCDEFG]";
    accidentals = "(?:#|##|b|bb)?";
    chords = "(?:maj|min|m|sus|aug|dim)?"
    additions = "[0-9]?"
    chordFormPattern = notes + accidentals + chords + additions
    fullPattern = chordFormPattern + "(?:/%s)?\s" % (notes + accidentals)
    matches = [removeWhitespaces(x) for x in re.findall(fullPattern, line)]
    positions = [x.start() for x in re.finditer(fullPattern, line)]

    return matches, positions

これが機能したときの結果です。

    line:      Em             C  C/B
 matches: [u'Em', u'C', u'C/B']
position: [5, 20, 23]

この行は、正しい結果を生成しないファイルからのものです。

    line:   Am           Am/G       D7/F#                 Fmaj7
 matches: [u'Fmaj7']
position: [48]

どこから掘り始めればいいですか？エンコーディング、特殊文字、タブ、... ?

編集

これは、上記の出力の場所です。

line = unicode(l, encoding='utf-8') 
matches, positions = getChordMatches(line) 
print '    line:', line 
print ' matches:', matches 
print 'position:', positions

編集

完全な正規表現パターンは次のとおりです。

[ABCDEFG](?:#|##|b|bb)?(?:maj|min|m|sus|aug|dim)?[0-9]?(?:/[ABCDEFG](?:#|##|b|bb)?)?\s

編集

失敗した行の 16 進ダンプ (と思います):

hexdump -s 45 -n 99 input.txt 
000002d 20 41 6d 20 20 20 20 20 20 20 20 20 20 41 6d 2f 
000003d 47 20 c2 a0 20 20 20 20 20 20 44 37 2f 46 23 20 
000004d 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 
000005d 46 6d 61 6a 37 0a 49 20 6c 6f 6f 6b 20 61 74 20 
000006d 79 6f 75 20 61 6c 6c 20 73 65 65 20 74 68 65 20 
000007d 6c 6f 76 65 20 74 68 65 72 65 20 74 68 61 74 27 
000008d 73 20 73 
0000090

編集

受け入れられた回答で述べたように、改行されていないスペースが原因でした。を使用line = unicode(l, encoding='utf-8').replace(u"\u00A0", " ")すると問題が解決します。

4

2 に答える 2

3

問題は次の 2 バイトに関係していると思われます。

000003d 47 20 c2 a0 20 20 ...

これは、UTF-8 でエンコードされた非改行スペース (U+00A0) のようです。これがあなたの正規表現をつまずかせているのであれば、私は驚かないでしょう。

于 2013-01-03T13:32:59.463 に答える
-2

問題は、正規表現にはスペース文字が必要ですが、和音の後に \s と一致しない文字を含む行を指定していることだと思います。いずれにせよ、最後の和音の後にスペースが必要なため、正規表現は間違っています。

\s の代わりに \b を使用してみてください

（コメント後に編集）

于 2013-01-03T13:38:33.517 に答える