1
import re
from googletrans import Translator

translator = Translator() #Creo el objeto de la clase Translator()

with open("en-sentiment.xml", "r") as read_file:
    with open("translated_file.xml", "w") as write_file:
        #Por cada linea del archivo que lee vamos a escribir el archivo con la funcion write 
        for line in read_file:
            print(repr(line))

            
            n_sense = re.findall(r"(?:'.*?')|(?:\".*?\")", line) #deberia servir tanto para "" como ''
            print(repr(n_sense))
            tr = translator.translate(n_sense, src='en', dest='es')
            n_sense_translate = tr.text

            line_translate = line.replace(n_sense, n_sense_translate)
            print(line_translate)
            

            #write_file.write(line) #Copiaria y escribiria la misma linea
            write_file.write(line_translate) #Escribe la linea traducida

Las lineas del en-sentiment.xml estan estructuradas de este modo:

<word form="alternate" wordnet_id="a-00675928" pos="JJ" sense="occurring by turns" polarity="0.0" subjectivity="0.0" intensity="1.0" confidence="0.9" />
<word form="alternate" wordnet_id="a-00676093" pos="JJ" sense="every second one of a series" polarity="0.0" subjectivity="0.0" intensity="1.0" confidence="0.9" />
<word form="alternate" wordnet_id="a-01663359" pos="JJ" sense="of leaves and branches etc" polarity="0.0" subjectivity="0.0" intensity="1.0" confidence="0.9" />
<word form="alternate" wordnet_id="a-01853934" pos="JJ" sense="serving or used in place of another" polarity="0.0" subjectivity="0.0" intensity="1.0" confidence="0.9" />
<word form="amateur" cornetto_synset_id="n_a-502167" wordnet_id="a-01870636" pos="JJ" sense="lacking professional skill or expertise" polarity="-0.5" subjectivity="0.5" intensity="1.0" confidence="0.9" />
<word form="amateur" cornetto_synset_id="n_a-525291" wordnet_id="a-01869634" pos="JJ" sense="engaged in as a pastime" polarity="0.0" subjectivity="0.0" intensity="1.0" confidence="0.9" />
<word form="amateurish" cornetto_synset_id="n_a-502167" wordnet_id="a-01870636" pos="JJ" sense="lacking professional skill or expertise" polarity="-0.4" subjectivity="0.8" intensity="1.0" confidence="0.8" />
<word form="amatory" cornetto_synset_id="n_a-526107" wordnet_id="a-01465214" pos="JJ" sense="expressive of or exciting sexual love or romance" polarity="0.1" subjectivity="0.1" intensity="1.0" confidence="0.8" />
<word form="amazing" wordnet_id="a-01282510" pos="JJ" sense="inspiring awe or admiration or wonder" polarity="0.8" subjectivity="1.0" intensity="1.0" confidence="0.9" />
<word form="amazing" wordnet_id="a-02359789" pos="JJ" sense="surprising greatly" polarity="0.4" subjectivity="0.8" intensity="1.0" confidence="0.9" />
<word form="ambitious" cornetto_synset_id="n_a-502179" wordnet_id="a-00104051" pos="JJ" sense="having a strong desire for success or achievement" polarity="0.5" subjectivity="0.5" intensity="1.0" confidence="0.9" />
<word form="ambitious" wordnet_id="a-00745642" pos="JJ" sense="requiring full use of your abilities or resources" polarity="0.0" subjectivity="1.0" intensity="1.0" confidence="0.9" />
<word form="amenable" cornetto_synset_id="n_a-503633" wordnet_id="a-00696828" pos="JJ" sense="disposed or willing to comply" polarity="0.2" subjectivity="0.6" intensity="1.0" confidence="0.8" />

Siendo que cada linea consta de estos elementos, y yo debo leer linea a linea el archivo .xml pero reemplazar lo que le sigue a sense= por su version traducida al español, por ejemplo:

<word form="alternate" wordnet_id="a-00675928" pos="JJ" sense="occurring by turns" polarity="0.0" subjectivity="0.0" intensity="1.0" confidence="0.9" />

Deberia escribirse como:

<word form="alternate" wordnet_id="a-00675928" pos="JJ" sense="ocurriendo por turnos" polarity="0.0" subjectivity="0.0" intensity="1.0" confidence="0.9" />

Osea solo debe traducirse lo que esta seguido de sense= y dentro de las comillas dobles "", pero sin incluirlas.

El problema de esta regex es que detecta todos y no el que empieza con sense=, y tambien deja dentro del texto a traducir las comillas dobles, cosa que no deberia hacer. Ademas creo que deberia cambiar el findall() por match()

2
  • ¿No te sería de utilidad usar un analizador (parser) de XML? En mi opinión sería más práctico de esa forma que leer el archivo y usar regex con todo lo que ello implica. Saludos el 19 feb. 2022 a las 21:19
  • @MauricioContreras En verdad nunca he usado ese analizador que comentas, pero he intentado con regex y se puede, aunque en este caso estoy teniendo problemas para armar ese patron que extraiga especificamente lo que necesito traducir de ese .xml . Solo por curiosidad(fuera de la pregunta) seria mas rapido si leyese el archivo de ese modo, o no? el 19 feb. 2022 a las 21:24

1 respuesta 1

1

Puedes hacer una búsqueda usando las afirmaciones de regex (regex lookbehind), utiles para encontrar caracteres que están antes o después de tu regex principal y no incluirlos.

Este serie el regex:

(?<=sense=["\']).*?(?=["\'])

Se lee así

  • Encuentra delante de la tu regex principal (.*), la palabra sense= más comillas simples o dobles, pero no la incluyas (?<=sense=["\']).
  • Seguido de cualquier tipo de caracter .*, pero solo coincide con la menor cantidad de caracteres posible ?
  • Seguido de comillas simples o dobles, pero no las incluyas (?=["\']).

Ejemplo

import re
string= '<word form="ambitious" wordnet_id="a-00745642" pos="JJ" sense="requiring full use of your abilities or resources" polarity="0.0" subjectivity="1.0" intensity="1.0" confidence="0.9" />'
match= re.search('(?<=sense=["\']).*?(?=["\'])',string)

n_sense= match.group()

Resultado:

requiring full use of your abilities or resources
1

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.