如何使用唯一分隔符解析文本文件？

Question

Spyder 2.x 上的 Python 3.5.2

我有数千个文本文件，它们采用以下半结构化格式。

下面是一个文件one.txt：

Goodsign:       Klisti upto 15:57         Bad Omen:     Gated zone      
 
 
Dusk Attack:        Uptime      Dusk Rest:      Winters

下面是第二个文件 second.txt

Goodsign:       Kukul upto 12:60          Bad Omen:     Open zone       
 
 
Dusk Attack:        Downtime        Dusk Rest:      Summers Daring Tribe: Mojars of Moana

现在我想解析这两个文件并获取标签 Goodsign 的值：在 one.txt 中为“Klisti upto 15:57”，在第二种情况下为“Kukul upto 12:60”。

对于下一组变量，再次使用相同的 Bad Omen：获取值“Gated zone”和第二个情况 Bad Omen：“Open zone”。

对于下一组变量，再次忽略 &nbsp 并获取标签“Dusk Attack:”的值，对标签“Dusk Rest:”重复相同的操作

问题除了：分隔符之外，值之间似乎有一个制表符分隔符，例如 Downtime Dusk Rest: there is a gap "" is this tab or how to parse this kind of text？

我尝试实现下面的代码，但如何仅用于分隔符“Dusk Rest:”，但它给出了之后的所有值。我只需要重视“停机时间”，而它给了我“停机时间黄昏休息：萨默斯大胆部落：莫阿纳的莫哈尔”：

f = open('one.txt', 'r')
lines = f.readlines()
f.close()
searchtxt="Dusk Rest:"
for i, line in enumerate(lines):    
    if searchtxt in line and i+1 < len(lines):
    #print(lines[i+1])
    print(line)
    break

非常感谢您的宝贵回答！

Answer 1

处理这些文件的另一种方法是在正则表达式上拆分它们，也许像这样。

有用的信息位似乎被至少两个连续的空白项分开。我们可以分开这些。同时，如果我们可以假设它们始终是 \s 的形式，我们可以安排消除前导的无退格 HTML 元素。否则，他们将不得不分开对待。拆分字段后，我们可以使用list 类型的index 方法在拆分项中查找字段名称以形成值。 （这允许我们在某个地方不恰当地拆分文件的内容；我们可以将一个字段重新粘合在一起。

import re

for file_name in ['one.txt', 'second.txt']:
    print (file_name)
    with open(file_name) as f:
        content = f.read()
        items = re.split(r'\s{2,}(?: \s)*', content)
        print (items)
        results = {}
        results['Goodsign:'] = ' '.join(items[1: items.index('Bad Omen:')])
        results['Bad Omen:'] = ' '.join(items[1+items.index('Bad Omen:'): items.index('Dusk Attack:')])
        results['Dusk Rest:'] = ' '.join(items[1+items.index('Dusk Attack:'):])
        results['Dusk Attack:'] = ' '.join(items[1+items.index('Dusk Attack:'): items.index('Dusk Rest:')])
        results['Dusk Rest:'] = ' '.join(items[1+items.index('Dusk Rest:'):])
        for result in results:
            print (result, results[result])

这是输出：

one.txt
['Goodsign:', 'Klisti upto 15:57', 'Bad Omen:', 'Gated zone', 'Dusk Attack:', 'Uptime', 'Dusk Rest:', 'Winters']
Bad Omen: Gated zone
Goodsign: Klisti upto 15:57
Dusk Attack: Uptime
Dusk Rest: Winters
second.txt
['Goodsign:', 'Kukul upto 12:60', 'Bad Omen:', 'Open zone', 'Dusk Attack:', 'Downtime', 'Dusk Rest:', 'Summers']
Bad Omen: Open zone
Goodsign: Kukul upto 12:60
Dusk Attack: Downtime
Dusk Rest: Summers

Answer 2

假设您的字符串由两个示例组成：

>>> txt="""\
... Goodsign:       Klisti upto 15:57         Bad Omen:     Gated zone      
...  
...  
... Dusk Attack:        Uptime      Dusk Rest:      Winters
... Goodsign:       Kukul upto 12:60          Bad Omen:     Open zone       
...  
...  
... Dusk Attack:        Downtime        Dusk Rest:      Summers
... """

您可以使用正则表达式来获取以下特定字段的值：

>>> import re
>>> pat1=r'^Goodsign:[ \t]*(.*?)[ \t]*(?=Bad Omen:)'
>>> pat2=r'Bad Omen:[ \t]*(.*?)[ \t]*\n'
>>> re.findall(pat1, txt, re.M)
['Klisti upto 15:57', 'Kukul upto 12:60']
>>> re.findall(pat2, txt)
['Gated zone', 'Open zone']

等等。

如果字段是 \t 分隔的（您的示例不是这样），您的正则表达式将变得非常容易编写。

---

根据评论编辑

Python 3 是强类型的。您的错误基于 items 被用作字符串。

如果您执行以下操作，它应该可以工作：

for fn in [something that generates a list of file names...]
    with open(fn) as f:
        txt=f.read()
        m=re.search(pat1, txt, re.M)
        if m:
            print(m.group(1))

Answer 3

我不知道您是否正确理解了您的问题...但我认为您正在寻找标签的转义序列 \t。我想你知道如何使用它。