利用Word通配符替换功能实现汉英混排文档的提取.doc

中英文混排Word文档中分离中英文的编辑 在工作中有时需要将中英文平行语料保存为独立文件，作为翻译记忆库或平行语料库的原始素材。由于原始本文编辑不规范，如中英文标点混用，以及某些特殊情况，如汉字段落以数字或符号开头，因此仅仅通过简单的替换指令无法完成分离工作，甚至会误删除文本。所以在中英文混排Word文档中分离中英文的编辑需要事先对原始文档进行细致的分析，再利用通配符设计替换指令。最大程度上简化编辑工作和误操作。 以201年政府工作报告中英对照版文档为例（在百度文库下载） 源文件字数统计： 第一步：清除段落间重复段落标记（将两个和两个以上的段落标记，即回车符，只保留一个。多次操作，直到无替换为止。目的是防止第二步替换操作时误删除汉字段落。） 第二步：删除非汉字段落（仅操作一次以防误删除汉字段落）： 清除段落中（两个回车键之间）所有以非汉字（除ASCII码1-127外还包含不间断空格(^s)、短划线(^=,)等符号开始的字符串； 如遇到以数字或英文符号开始的情况，检查第五个字符。如果为汉字，将保留该段落。以防止诸如以年代或数字开头的汉字段落被误删除。比如，以“2015年我国”开头的句子。） 第三步：清除不间断空格（多次操作直到无替换为止） 操作前： 替换指令： 操作后： 第四步：清除段落间多余段落标记（将两个和两个以上的段落标记，即回车符，只保留一个。多次操作，直到无替换为止。） 比较操作前后两次统计结果： 操作后：  中英文混排Word文档去除汉字编辑 第一步：去除文中所有以汉字开头的段落； 操作后：短中文段落未能去除。 第二步：手工去除短中文段落； 第三步：去除不间断空格 第四部：删除多余回车符