记录一次工作记录，里面涉及到一些Office操作，一个常见的工作流程

前言

一个语料采集的项目需求，要求采集各类主题的语句，词汇要求10-35之间，具体要求如下：

  • 一句只能一个句号，不要其他特殊符号，*，（），不要数字
  • 引号的存在要有意义，有的被拆开了
  • 句子长度的限制

解决方法

首先肯定是爬取需要的消息，要求的尼日利亚的网站文章正文，拆分成所需的格式

最好的方式肯定是Python爬取数据，使用Python解析文档，最技术流的方式，可惜我技术还不到家，而且数据采集项目转瞬即逝。找到了以下的折中解决办法

  • 首先使用后羿采集器采集文章正文，然后导出为Excel格式，只保留文章正文
  • 复制到WORD文档中，使用替换，实现按照句号自动换行
  • 然后换行后，再复制到EXCEL表格中处理

实际操作

  1. 使用WORD按照英文句号分行，使数据都是单独以.结尾单独成行的

WORD实现分行.jpg

把需要分行的数据复制到WORD,然后Ctrl+F，选择替换，查找填.,被替换填.,然后选择特殊格式，选择段落标记,会发现被替换区关键字变成了.^p,然后选择全部替换，就会发现文档根据英文句号.换行了

  1. 分行后复制到Excel进行后续修改，首先是复制到A列，查看是否是一行一条数据，然后在B列输入以下函数bash =LEN(A1)-LEN(SUBSTITUTE(A1," ",))+1
    Excel实现统计英文单词个数.png
    其原理就是调用函数，统计一句话里的空格个数，英语语句是词与词之间用空格隔开的，统计空格个数+1就是英语单词个数，但是要求是英文格式要对
    然后就是点击筛选，按照字数筛选，筛选出小于长度10和大于长度35的数据删掉，长度这个条件解决了
    查询的时候，属于特殊符号，是个正则表达式里的通配符，代表无限大的字符串，所以查询文本里的~*
    筛选数字的话，EXCEL里条件格式功能，开始->条件格式->突出显示单元格规则->文本包含，然后依次输入，0~9的数字，然后按颜色筛选再删除掉

后记

显然，这不是最优解，但是在紧急的情况下，这些小技巧也让我们的工作效率提高了很多