使用Python从txt文件中删除paratext (或“噪音”)

Question

我正在准备一个由170部荷兰小说组成的文本文件集。我是一位文学学者，对Python和一般编程都比较陌生。我想要做的是编写一个Python脚本，用于从不属于小说实际内容(即故事)的每个.txt文件中删除所有内容。我想删除的是:添加了作者的传记、简介以及将ePub转换为.txt所附带的其他信息。

我的想法是手动决定每一个.txt文件，在哪一行，小说的实际内容开始和结束。我使用以下代码块来删除.txt文件中不包含在这两个行号之间的所有信息：

def removeparatext(inputFilename, outputFilename):
    inputfile = open(inputFilename,'rt', encoding='utf-8')
    outputfile = open(outputFilename, 'w', encoding='utf-8')

    for line_number, line in enumerate(inputfile, 1):
        if line_number >= 80 and line_number <= 2741: 
            outputfile.write(inputfile.readline())

    inputfile.close()
    outputfile.close()

removeparatext(inputFilename, outputFilename)

数字80和2741是一本特定小说的实际内容的开始和结束编号。然而，输出文件只输出一个.txt文件，在linenumber 80之前删除文本，它仍然包含行号2741之后的所有内容。我似乎不明白为什么。也许我没有以正确的方式使用枚举()函数。

另一件事是，我想去掉..txt文件中所有不必要的空格。但是，当我在这段代码中实现.strip()方法时，它似乎无法工作。

有人能给我一个关于如何解决这个问题的建议吗？事先非常感谢！

Answer 1

enumerate已经在其索引旁边提供了行，因此不需要再次调用文件对象上的readline，因为这会导致不可预测的行为--更像是以双倍的速度读取文件对象：

for line_number, line in enumerate(inputfile, 1):
    if line_number >= 80 and line_number <= 2741: 
        outputfile.write(line)
#                        ^^^^

作为使用enumerate和遍历整个文件的替代方法，您可以考虑使用itertools.islice对文件对象进行切片，这将获取开始和停止索引，然后使用writelines将切片序列写入输出文件。

from itertools import islice

def removeparatext(inputFilename, outputFilename):
    inputfile = open(inputFilename,'rt', encoding='utf-8')
    outputfile = open(outputFilename, 'w', encoding='utf-8')

    # use writelines to write sliced sequence of lines 
    outputfile.writelines(islice(inputfile, 79, 2741)) # indices start from zero

    inputfile.close()
    outputfile.close()

此外，您还可以通过使用上下文管理器和with语句来打开文件，并将关闭/清理留给Python。见How to open a file using the open with statement。

from itertools import islice

def removeparatext(inputFilename, outputFilename):
    with open(inputFilename,'rt', encoding='utf-8') as inputfile,\
         open(outputFilename, 'w', encoding='utf-8') as outputfile:    
        # use writelines to write sliced sequence of lines 
        outputfile.writelines(islice(inputfile, 79, 2741))


removeparatext(inputFilename, outputFilename)