Comment trouver toutes les initialisations dans un texte?

Question

Je dois trouver toutes les initialisations (mots de la lettre majuscule, tels que SAP, JSON ou XML) dans mes fichiers texte. Y a-t-il un script prêt à l'emploi pour cela? Ruby, Python, Perl - la langue n'a pas d'importance. Jusqu'à présent, je n'ai rien trouvé.

Cordialement,

Stefan

Answer 1

Ici, vous allez:

perl -e 'for (<>) { for (m/\b([[:upper:]]{2,})\b/) { print "$1\n"; } }' textinput.txt 

Grabs tous les mots en majuscules qui sont au moins deux caractères. J'utilise [[:upper:]] au lieu de [A-Z] pour que cela fonctionne dans tous les paramètres régionaux.

Answer 2

Une expression régulière comme /[A-Z]{2,}/ devrait faire l'affaire.

Answer 3

Une version plus simple de Conspicuous Compiler's answer utilise le drapeau -p pour découper tout ce que le code de boucle laid:

perl -p -e 'm/\b([[:upper:]]{2,})\b/' input.txt 

Answer 4

est ici une solution 2.x Python qui permet de chiffres (voir l'exemple). Mise à jour: Le code fonctionne maintenant pour Python 3.1, 3.0 et 2.1 à 2.6 inclusivement.

dos-prompt>type find_acronyms.py 
import re 

try: 
    set 
except NameError: 
    try: 
     from sets import Set as set # Python 2.3 
    except ImportError: 
     class set: # Python 2.2 and earlier 
      # VERY minimal implementation 
      def __init__(self): 
       self.d = {} 
      def add(self, element): 
       self.d[element] = None 
      def __str__(self): 
       return 'set(%s)' % self.d.keys() 

word_regex = re.compile(r"\w{2,}", re.LOCALE) 
# min length is 2 characters 

def accumulate_acronyms(a_set, an_iterable): 
    # updates a_set in situ 
    for line in an_iterable: 
     for word in word_regex.findall(line): 
      if word.isupper() and "_" not in word: 
       a_set.add(word) 

test_data = """ 
A BB CCC _DD EE_ a bb ccc k9 K9 A1 
It's a CHARLIE FOXTROT, said MAJ Major Major USAAF RETD. 
FBI CIA MI5 MI6 SDECE OGPU NKVD KGB FSB 
BB CCC# duplicates 
_ABC_DEF_GHI_ 123 666 # no acronyms here 
""" 

result = set() 
accumulate_acronyms(result, test_data.splitlines()) 
print(result) 


dos-prompt>\python26\python find_acronyms.py 
set(['CIA', 'OGPU', 'BB', 'RETD', 'CHARLIE', 'FSB', 
'NKVD', 'A1', 'SDECE', 'KGB', 'MI6', 'USAAF', 'K9', 'MAJ', 
'MI5', 'FBI', 'CCC', 'FOXTROT']) 
# Above output has had newlines inserted for ease of reading. 
# Output from 3.0 & 3.1 differs slightly in presentation. 
# Output from 2.1 differs in item order.