C#/C++/PHP, regex, string u objekt

[OuttaControl]

Pozdrav,
Prvo jezik nije bitan, u svima je jednostavno lako to napravit
Dakle imam teksutalni file sa puno redova i puno knjiga u njemu, format ide ovako, i uglavnom cijeli file prati taj format:

<h>Ormar 1</h>
Težak Stjepko, Babić Stjepan :  ”Gramatika hrvatskoga jezika - priručnik za osnovno jezično obrazovanje” , Školska knjiga, Zagreb, 1992.
Vončina Josip : “Jezična baština”, Književni  krug, Split, 1988.
.
.
.
<h>Ormar 2</h>
Kvesić: “ Uvod u Peru K”, Zagreb, 1975.
Remarque: “Noć u Lisabonu”, 1966.
“Suvremena hrvatska novela 1 ”, Zora, Zagreb, 1971.
“Suvremena hrvatska novela 2 ”
Vojnović: “Dubrovačka trilogija”
Puškin: “Kapetanova kći”

Imam super izraz ako bi sve pratilo strukturu

([^,].*)\”(.*)\”\,([^,]*)\,([^,]*)\,([^,][[:digit:]]*).$

E sad di je problem, kao sto na primjerima u Ormaru 2, knjige(neke) prestaju pratiti standardnu strukturu, amo reć da nema ništa iza naslova, super samo napravim konstruktor sa "nepoznato" ili tako nešto, ali je problem šta neke kao "Kvesić: “ Uvod u Peru K”, Zagreb, 1975." imaju, na mjestu di je izdavač ime grada

dakle za dohvatit ime autora nema problema vise manje:

^.*:

(ako ih je više podjeljeno zarezom, isto mogu iskombinirat, nije veliki problem)
Za dohvatiti naslov laganini

\”.*\”

Za dohvatit izdavača i grad

\”\,.*\,

i onda to kasnije podjelim na dva, mozda može lakše al nije toliki problem
Za dohvatit godinu

[[:digit:]]+.$

[rodney]

http://ex-parrot.com/~pdw/Mail-RFC822-Address.html
Lol
A sad što je točno problem?
Ako se može dogoditi da fali ili grad ili izdavač, teško ćeš rješit,
ako znaš da je onaj koji nedostaje izdavač nema problema.
S druge strane, ako se snalaziš u više programskih jezika, zašto pobogu išta pokušavaš napravit sa tim jednostavnim super preglednim i jasnim regularnim izrazom?

[OuttaControl]

Odlučio sam to rješit manualno, iako mogu uspoređivat sa listom imena gradova, al nema smisla, pošto možda 50tak unosa ima takav oblik, pa ih se može i ručno bez velikog problema

A nezz, meni su nekako dragi regularni izrazi , i lako ga prebacim u bilokoji drugi jezik jer svi u stdlib imaju regex funkciju. Al nije problem ni napisat nesto sa separatorima.

Ali sam primjetio jos jedan problem, ukoliko knjiga ispod ima slicno ime i istog izdavača:
“Suvremena hrvatska novela 1 ”, Zora, Zagreb, 1971.
“Suvremena hrvatska novela 2 ”
A ne piše na drugom primjerku, trebao bih provjeriti koliko je jedan string sličan drugom stringu, našao sam neki "Levenshtein Distance","Bitap"... algoritam, al oni nisu default ni u .NET ni u PHP, pa ako postoji koja metodica u nekom jeziku koja mi može vratit numeričku vrijednost sličnosti, bilo bi super

Još radim na istraživanju pa ću jedan dan-dva kad uvatim vrimena sve to istipkat

[rodney]

Pa #net i php nisu baš prvi izbor za takve stvari. Ja bih osobno išao na pythoon za takve stvari što se tiče broja biblioteka i slično. Python nltk ima obe te metrike i još trilijun toga, i općenito je puno jednostavniji za rad sa stringom i tekstom nego c/java etc..

[OuttaControl]

A bas u pythonu nisam nikad radio :/, a s obzirom da kasnije moram migrirat podatke u sql i napravit koliko toliko pristupačnu aplikaciju, draze mi je radit u nekom jeziku kojeg znam, iako pretpostavljam da su principi pythona slični c-u, al nema veze usporedjivat cu char po char, old skul hvalq na savjetima

[rodney]

Sto se tice pythona i mysql-a tu isto nema problema, ali razumijem da radije ideš na poznato. Nebih rekao da je sličan c-u jer je skriptni jezik, puno jednostavniji od c-a, meni je trebalo tjedan dva da postanem produktivan u pythonu s c like podlogom.