英単語が誤って空白で区切られたのを正規表現で除く

質問

英語の文章を紙媒体からスキャンして電子化しました。その際に、斜体が含まれていたり、何らかの事情で英単語がスペースで区切られてしまっている場合があります。これを取り除くのが最終的な目的です。例えば　I l o v e New York.　といったようにです。

正規表現による置換での処理をまず思いつき、

置換前　スペース[a-z]スペース
置換後　スペース[a-z]

としてみたら、[a-z]に当たる部分が置換後には元の文字から[a-z]となってしまい、あいまい検索でヒットしたのはよいものの、置換後は元の文字を維持してくれませんでした。

第一の質問として、[a-z] や　[0-9]といった表現を含む置換の場合、元の文字をそのままに、それ以外の部分を置換することは可能なのでしょうか？

第二に、I l o v e New York. を　I love New York.　とするにはどうしたら良いのでしょうか？処理が完全でなくても、以前よりも読みやすくなれば構いません。

よろしくお願いします。

回答No.2

notnot · ベストアンサー

＞テキストエディタの置換機能を考えていたのですが、LinuxかPearlの知識が必要なのでしょうか？MS-DOSとVBSの少しの知識しか持ちあわせておらず、PHPを勉強してみようと思っていたところです。

VBSでも正規表現と置換ができますよ。VBSだと正規表現の括弧内を\1でなく$1で参照。

Dim regex, data
Set regex = New RegExp
regex.Pattern = " ([a-z]) "
regex.IgnoreCase = False ' 大文字と小文字を区別する
regex.Global = True ' 繰り返し検索する

Do While Not WScript.StdIn.AtEndOfStream
data = WScript.StdIn.ReadLine
WScript.StdOut.WriteLine regex.Replace(data," $1")
Loop

お礼

ありがとうございました。これで動作確認できました。VBSでも後方参照できるんですね。
これは他のケースで重宝しそうです。大変感謝です。

結論ですが、最初のご回答のとおり、うまくいきませんでした。読み込まれたテキストに対して、一度だけしか効かないので、英単語が7文字などの場合、最初の数文字がくっつくのみであり、そのような単語が2度出てきた場合には、二つめの単語にはなんの効力もなさないことが分かりました。

"ツール依存"と仰られましたが、VBSではできそうな気がしません。
ちょっと諦めます。

回答No.1

notnot

第一の質問：
置換の指定をどう書くかはツールに依存します。
sedコマンドなら s/ \([a-z]\) / \1/g ・・・・・・ \( \) で囲んだものを \1 で参照
perlなら s/ ([a-z]) / \1/g ・・・・・・ ( ) で囲んだものを \1 で参照

第二の質問：
そのケースだけに対応するのは可能ですが、様々なケースにどういう置換が最もふさわしいのかは、分全体を眺めないと何ともいえないですね。
お書きのような、「一文字のものがあれば後ろの文字にくっつける」は悪くないと思いますが。
ただし、
＞置換前　スペース[a-z]スペース
＞置換後　スペース[a-z]
だと、一文字のものが連続すると全部はくっつきません。これを全部くっつけたいとするとおそらくツール依存の方法が必要。

お礼

回答ありがとうございます。
調べてみて、 s/置換前/置換後　でこれを/gにより繰り返す　という構文なのは理解しました。

テキストエディタの置換機能を考えていたのですが、LinuxかPearlの知識が必要なのでしょうか？MS-DOSとVBSの少しの知識しか持ちあわせておらず、PHPを勉強してみようと思っていたところです。
Windowsで使える言語？ツールを紹介して頂けませんでしょうか？そこから勉強します。Grep検索・置換ツールといったものもあるようですが、そういった類のツールでも可能でしょうか？

今原文を読み進めていますが、一行おきかそれ以上にこういったバラバラになった英単語が出てきて、かなりイライラします。右端にて　-　で英単語を区切っていないようで、それによってワープロソフトが字間を調整したため、スキャン時にうまく認識されていないようです。20年以上前の文献ですし。