获取文本的标题

Question

我试图用下面的代码来获得一些文本的标题：

for line in content:
    title = re.search('^Title:(.*)$',line)
    if title:
        return(title.group(1))

对于这些文本

DOCA.TXT：

标题:布朗语料库:A部分

但/抄送铁/nn射击/nn/pps使用/vbd/接近/vb/在绿色/nn偏离/vbd进入/在一个/在掩体/nn和/cc/vbd在/jj抑郁症/nn ./。

结束

DOCB.TXT：

标题:棕色语料库

今天美国英语的布朗大学标准语料库(或者仅仅是布朗语料库)是被编成的.

有些方法我只能得到DOCB.TXT的标题，而不是DOCA.TXT (它显示了“无”)

Answer 1

下面的内容适用于我，也许您需要在十六进制编辑器中查看您的文件--可能是行尾问题或unicode字节顺序标记，如果您没有告诉Python如何打开该文件来处理的话。

#!python3.4
import re

for fn in ('a.txt','b.txt'):
    with open(fn) as fin:
        for line in fin.readlines():
            title = re.search('^Title:(.*)$',line)
            if title:
                print(title.group(1))

要用BOM文件打开UTF-16，可以使用以下内容：open(fn,encoding='utf-16')

当然，这不适用于ascii、iso8859-1或utf-8编码的文件，因此您需要确保所有文本文件都在相同的编码中，或者为每个文本文件选择正确的编码。