仅从Python中的TXT文件中提取文章的标题

Question

我希望你能在以下问题上提供指导。我只需要大量从一系列出版物中提取文章标题。我的想法是，我收到PDF文件，我只提取第一页(完成)，批量转换为TXT (完成)，我被困在最后一个阶段。

这些TXTs的结构如下：

--医学与生命杂志

JML审查

：新型聚(ADP-核糖)抑制剂在局部晚期转移性Her-2/neu阴性乳腺癌治疗中的作用。文献综述

作者名单等.

只需要标题(粗体)，来自每个文件。我可以做迭代，这不是问题。

使用下面的代码，我试图识别第1段：

    data = file.read()
    array1 = []
    sp = data.split("\n\n")
    for number, paragraph in enumerate(sp, 1):
        if number == 1:
            array1 += [paragraph]
            print (array1)

没有任何结果..。

我的想法是，我只需要保存在一个文件中的标题(可能是TXT)，因为我需要这个列表的另一个用途。

非常感谢！

Answer 1

您可以使用.read()读取整个文件，并使用捕获组的模式来匹配JML到Authors。

^JML\s*\|.*\s*\r?\n((?:.*\r?\n)*?)Authors\b

模式匹配：

• 字符串的^开始
• JML\s*\|匹配JML，可选空格字符和|
• .*\s*\r?\n匹配行的其余部分、可选空格字符和换行符。
• (捕获组1
  • (?:.*\r?\n)*?尽可能至少匹配所有行

• )闭组1
• Authors\b作者

Regex演示

例如：

import os
import re

pattern = r"^JML\s*\|.*\s*\r?\n((?:.*\r?\n)*?)Authors\b"
array1 = []

for file in os.listdir():
    with open(file, "r") as data:
        array1 = array1 + re.findall(pattern, data.read(), re.MULTILINE)
print(array1)