python - 使用 Python 在数据库中保留带有西类牙口音的记录

Question

我需要清除西类牙语数据库，但要求我必须保留重音符号。

例如，如果数据库包含“Administración”和“Administracion”，我必须将它们识别为相等，但保留带有重音标记的那个。经过一番研究后，每个解决方案(例如将 Unicode 转换为 ASCII 或使用 PyEnchant)都会保留不带重音符号的解决方案。

是否有任何库(适用于 Python 3.5)或方法来确定正确的库并保留它？

Answer 1

注意事项

根据数据库的内容，这可能是一项不平凡的任务，因为尽管可能存在拼写错误:

• *管理 管理

西类牙语中还有许多单词对仅在重音上有所不同，但都是有效单词:

• ejército ejercito ejercitó | 你 你

如果您只考虑名词，这个数字会减少很多，大部分减少到 foreign loanwords具有不同的压力:

• 贝斯波尔 贝斯波尔

和一些本地单词multiple spellings :

• período periodo | reúma reuma

<小时/>

查询

如果您不太可能遇到此类情况，您可以使用以下 sql 查询:

SELECT a.word AS "Good word", b.word AS "Bad word"
FROM   spanish_db AS a
JOIN   spanish_db AS b

--Spanish words have at most one accent so can safely nest REPLACE
ON     REPLACE(REPLACE(REPLACE(REPLACE(REPLACE(a.word, "á", "a"), 
                                                       "é", "e"), 
                                                       "í", "i"), 
                                                       "ó", "o"), 
                                                       "u", "u") = b.word

--So as not to match identical words
AND    a.word != b.word

这将返回出现重音和非重音形式的所有单词对。您可以根据需要进行调整以编辑/删除/清理条目。

<小时/>

示例

Good word       Bad word
"acedía"        "acedia"
"aeróbic"       "aerobic"
"aeróstato"     "aerostato"
"afrodisíaco"   "afrodisiaco"
"alcalá"        "alcala"
"alvéolo"       "alveolo"
"alérgeno"      "alergeno"
"amoníaco"      "amoniaco"
"anémona"       "anemona"
"arcén"         "arcen"