从简单文本文件中提取特定的文本部分

Question

在Python方面，我是个新手，我正在努力完成以下任务。希望有人能帮忙。

我有大量的文件，它们有一些共同的特性，尽管不是全部。在这些文件中有一些我需要提取的信息，但只有那些包含特定文本行的部分。这是其中一个文件中常见文本的片段：

31室

取名“鲍勃”

无电视插座49

出口

第5室

名为"Ted“

服务程序10.1

出口49-50,52

出口

80室

取名为“爱丽丝”

出口49-50,52

死出口1-20

出口

50室

命名为"Tim“

出口49

出口

51室

名“苏”

服务prov 10.2.0

出口49

出口

我要输出的是包含"service prov“的任何部分(包括同一行中的任何其他文本)，因此，以上面的示例为例，我需要”5房间“的文本(数字可能会有所变化)，直到并包括"exit"，对于”51房“，也是如此--如下所示：

第5室

名为"Ted“

服务程序10.1

出口49-50,52

出口

51室

名“苏”

服务prov 10.2.0

出口49

出口

要做到这一点，最简单的方法是什么，考虑到节中的行数可以变化，并出现在原始文本文件中的任何位置？

所有的建议(尤其是简单的)都非常感谢！谢谢!

Answer 1

给出你问题中所描述的表格的文本输入。我会这样做：

def parse_input(in_data):
    start_key = 'room'
    end_key = 'exit'
    trigger_key = 'service prov'
    new_element = False
    trigger_exists = False
    out_data = ''
    element_data = ''
    for line in in_data: 
        if not new_element and start_key == line[:len(start_key)].lower():
            new_element = True
            element_data += f'{line}\n'
        else:
            element_data += f'{line}\n'
            if trigger_key == line[:len(trigger_key)].lower():
                trigger_exists = True
            if end_key == line[:len(end_key)].lower():
                if trigger_exists:
                    out_data += element_data
                trigger_exists = False
                new_element = False
                element_data = ''
    return out_data   

执行

print(parse_input(lines)) 

生产：

room 5
name "Ted"
service prov 10.1
outlet 49-50,52
exit
room 51
name "Sue"
service prov 10.2.0
outlet 49
exit

Answer 2

另一种选择可以是使用模式，从房间开始匹配，结束匹配与出口匹配，而在两者之间匹配服务prov。

^room \d+(?:\n(?!room \d|service prov).*)*\nservice prov.*(?:\n(?!room|exit).*)*\nexit$

模式匹配：

• 字符串的^room \d+开始，匹配room和1+数字
• (?:\n(?!room \d|service prov).*)*匹配所有不以房间和数字开头的行，也不匹配使用负前瞻性(?!的服务prov。
• \nservice prov.*匹配一条新行和整个线路与服务证明
• (?:\n(?!room|exit).*)*匹配所有不以任何出口房间开头的行，并使用负前瞻(?!
• \nexit$匹配换行符、exit和断言字符串的结尾

示例

import re
 
regex = r"^room \d+(?:\n(?!room \d|service prov).*)*\nservice prov.*(?:\n(?!room|exit).*)*\nexit$"

Regex演示 x- Python演示

test_str = ("room 31\n"
    "name \"Bob\"\n"
    "no TV outlet 49\n"
    "exit\n"
    "room 5\n"
    "name \"Ted\"\n"
    "service prov 10.1\n"
    "outlet 49-50,52\n"
    "exit\n"
    "room 80\n"
    "name \"Alice\"\n"
    "outlet 49-50,52\n"
    "dead outlet 1-20\n"
    "exit\n"
    "room 50\n"
    "name \"Tim\"\n"
    "outlet 49\n"
    "exit\n"
    "room 51\n"
    "name \"Sue\"\n"
    "service prov 10.2.0\n"
    "outlet 49\n"
    "exit")
 
print(re.findall(regex, test_str, re.MULTILINE))

输出

['room 5\nname "Ted"\nservice prov 10.1\noutlet 49-50,52\nexit', 'room 51\nname "Sue"\nservice prov 10.2.0\noutlet 49\nexit']