Google Colab 段落删除答案

【问题标题】：Google Colab Paragraph RemovalGoogle Colab 段落删除
【发布时间】：2020-08-25 14:35:08
【问题描述】：

我需要帮助从 Google Colab 上的此文本文件 (https://www.gutenberg.org/files/768/768.txt) 中删除段落。我需要文本文件在“ccx074@pglaf.org”之后开始，并在“END OF THE PROJECT GUTENBERG EBOOK WUTHERING HEIGHTS”之前结束，以便获得准确的总字数。下面列出的是我到目前为止的编码。

# download and installing pyspark in colab
!pip install -q pyspark

# download Wuthering Heights, by Emily Bronte
!wget -q https://www.gutenberg.org/files/768/768.txt

import os.path
baseDir = os.path.join('data')
inputPath = os.path.join('/content/768.txt')
fileName = os.path.join(baseDir, inputPath)
with open('/content/768.txt','r') as f:
print(f.read())

【问题讨论】：

标签： python google-colaboratory

【解决方案1】：

只需在找到要查找的文本的点处对字符串进行切片。

!wget -q https://www.gutenberg.org/files/768/768.txt
import os.path
baseDir = os.path.join('data')
inputPath = os.path.join('768.txt')
fileName = os.path.join(baseDir, inputPath)
with open('768.txt','r') as f:
    text = f.read()
    
#GET START LOC
start_loc = text.find("ccx074@pglaf.org") + len("ccx074@pglaf.org")
#GET END LOC
end_loc = text[start_loc:].find("***")
#SLICE THE TEXT STRING AND THE INDEXES 
text[start_loc:start_loc+end_loc].replace("\n","")

【讨论】：

您能帮我删除文档中多余的空格（'/n）吗？
如果对您有帮助，请接受。我已经编辑了答案
谢谢。我试图给它投票，但它没有让我。
点击勾号:)

【解决方案2】：

您可以使用正则表达式来提取两个字符串之间的文本：

import re
text = open('768.txt','r').read()

start = "ccx074@pglaf.org"
end = "END OF THE PROJECT GUTENBERG EBOOK WUTHERING HEIGHTS"

m = re.search(f'{start}(?s)(.*){end}', text)
print(m.group(1))

【讨论】：

当我使用该编码时，我收到一个错误，指出预期的字符串或字节之类的对象。