OpenRefine初学者问题转换文本文档

Question

在荷兰国家摄影博物馆，我们遇到了一个我们自己无法解决的小进口问题。

该列表是来自藏书者的一种数据库，其中包含书籍信息，是在我的藏书者无法使用数据库程序的时代制作的。它有近7000本书在列表中。它将被打印以作为打印输出到图书市场，并决定这本书是否已经为收藏家所拥有。对于人类来说，它的格式是很清楚的，但是由于它的不一致，我们很难将它转换为表格（然后我们可以将其导入库数据库）。

• Example of text document

-笑脸标志是新纪录的开始， 黑色标志说，是的，我有 白色标志说，不，还没有（想法是用笔可以在印刷品上着色） 徽标当然可以更改为我们以后可以过滤的任何字母组合。

第一个字段是标题，（有时）在第一列的第二行和/或更多行中继续

第一行右边是出版年份

有些字段通常前面有一个字段名：

• 国际标准书号
• Trefwood（是关键字）
• 使用。 （是出版商）
• Tekst（是作者）
• 红色。 （是编辑）

-然后我们有参与摄影师的名字，这使得格式相当混乱。通常摄影师在第二列和第三列。它可以是从一位摄影师到最多 30 个左右的名字，并且它们的格式与书中使用的一致（因此有时使用全名，有时仅使用字母）。
但是，
我们经常在第一列也有摄影师。然后它们位于标题（或 Tekst 字段内容）和 ISBN 之间。

幸运的是，收集器使用了 [. ] 作为分隔符。您将如何在 OpenRefine 中进行操作？最好我想首先拆分记录并将它们组合在一起，然后开始为每个内容制作列，前面有一个字段名。把第二列和第三列放在最后的很多字段中，称为摄影师1，直到摄影师XX。然后手动清理第一列的烂摊子。这是要走的路吗？并且在这里有更多经验的人，请您解释一下我们的工作方式，让我们先手。

Answer 1

您可能是 OpenRefine 的新手，但您的问题非常难，需要对该工具有深入的了解。 :)

在我看来，除了大量使用正则表达式之外，无法提取您想要的信息。

让您了解如何进行：

1° 将您的文本文件导入为“基于行的文本文件”，以便内容位于单个列中。

2° 在这一列中，通过对该字符使用文本过滤器来识别以 ☻ 开头的行。从过滤的列中，使用“编辑列，基于此列添加列”创建一个新列。命名此新列记录并删除文本过滤器。 将新列移到开头。

结果应该是这样的：

现在将“编辑单元格，加入多值单元格”应用到第 1 列，使用空格作为分隔符，以便得到：

3° 然后您可以开始从您的两列中提取信息。

• 从新的“记录”列中，您可以在“基于此列添加列”窗口中使用此 GREL 公式提取日期：

  value.find(/\d+[\.\]]?$/)[0].replace(/\D/, '')

• 您可以从主列 1 中提取“Trefwood”：

  value.find(/Trefwoord:.+?\./)[0].split(":")[1]

• ISBN 等也是如此。

• 标题将更难提取，因为有必要将适合一行的标题和继续下一行的标题分开。这将需要更复杂的 GREL 公式。

• 提取摄影师姓名有几种可能的策略。

• 继续清洁，直到您觉得质量正确，知道它可能不会 100% 完美。