如何解析文本文件并将行保存为键值和值列表

Question

我试图解析许多".txt“文件，并将一些行作为键存储，另一些作为值存储在dict中。方法应该尽可能抽象，因为跨文件的总体文件结构是相同的，但是--有些记录可能有较少或更多的字段，而相同的字段在不同的记录中可能有较少或更多的行。

文本文件的格式与此类似，但通常带有或多或少的属性：

Autore principale:
     Christie, Agatha
Titolo:
     La mia vita / Agatha Christie ; traduzione di Maria Giulia Castagnone
Pubblicazione:
     Milano : Oscar Mondadori, 1995
Descrizione fisica:
     636 p. ; 20 cm.
Collezione:
    Oscar narrativa ; 1563
        Oscar scrittori moderni
Titolo uniforme:
    An autobiography | Christie, Agatha
Numeri:
    [ISBN]  978-88-04-52225-6 9. rist. 2013
Nomi:
     Christie, Agatha
        [Traduttore]  Castagnone, Mariagiulia
Soggetti:
    Christie, Agatha
Classificazione Dewey:
    823.912 (19.) NARRATIVA INGLESE. 1900-1945
Lingua di pubblicazione:
    ita
Paese di pubblicazione:
    IT
Codice identificativo:
    IT\ICCU\LIA\0962595

每一行结尾都是‘：“应该是一个键，下面的一行(或者下面的行，您可以看到)是该键的值列表。

预期产出：

{'Autore principale:': ['Christie, Agatha'],
 'Titolo:': ['\x88La \x89mia vita / Agatha Christie ; traduzione di Maria Giulia Castagnone'],
 'Pubblicazione:': ['Milano : Oscar Mondadori, 1995'],
 'Descrizione fisica:': ['636 p. ; 20 cm.'],
 'Collezione:': ['Oscar narrativa ; 1563', 'Oscar scrittori moderni'],
 'Titolo uniforme:': ['\x88An \x89autobiography | Christie, Agatha'],
 'Numeri:': ['[ISBN]  978-88-04-52225-6 9. rist. 2013'],
 'Nomi:': ['Christie, Agatha'],
...
...}

到目前为止，我已经讨论了这个python代码：

with open('file.txt', 'r', encoding='utf-8', errors='ignore') as f:
    lines = [line.strip() for line in f.readlines()]
    record_keys = [elem for elem in lines if elem.endswith(':')]

    # here comes the loop:
    length = len(lines) 
    i = 0
    values = []
    while i < length:
        if lines[i] in record_keys:
            current_key = record_keys.index(lines[i])
            i+=1
        else:
            if lines[i] == lines[-1]:
                val = [i for i in lines[lines.index(lines[i]):]]
                values.append(val)
                i+=1
            else:
                if len(values) > 0 and lines[i] in values[-1]:
                    print({f'string {lines[i]}} already in [values], skipping')
                    i+=1
                else:
                    next_key = record_keys[current_key+1]
                    val = [i for i in lines[lines.index(lines[i]):lines.index(next_key)]]
                    values.append(val)
                    i+=1

    # dict from zip object
    isbn_dict = dict(zip(record_keys, values))

我发现了一个错误：

IndexError: list index out of range

由此产生的dict：

{'Autore principale:': ['Christie, Agatha'],
 'Titolo:': ['\x88La \x89mia vita / Agatha Christie ; traduzione di Maria Giulia Castagnone'],
 'Pubblicazione:': ['Milano : Oscar Mondadori, 1995'],
 'Descrizione fisica:': ['636 p. ; 20 cm.'],
 'Collezione:': ['Oscar narrativa ; 1563', 'Oscar scrittori moderni'],
 'Titolo uniforme:': ['\x88An \x89autobiography | Christie, Agatha'],
 'Numeri:': ['[ISBN]  978-88-04-52225-6 9. rist. 2013'],
 'Nomi:': ['Christie, Agatha',
  'Titolo:',
  '\x88La \x89mia vita / Agatha Christie ; traduzione di Maria Giulia Castagnone',
  'Pubblicazione:',
  'Milano : Oscar Mondadori, 1995',
  'Descrizione fisica:',
  '636 p. ; 20 cm.',
  'Collezione:',
  'Oscar narrativa ; 1563',
  'Oscar scrittori moderni',
  'Titolo uniforme:',
  '\x88An \x89autobiography | Christie, Agatha',
  'Numeri:',
  '[ISBN]  978-88-04-52225-6 9. rist. 2013',
  'Nomi:',
  'Christie, Agatha',
  '[Traduttore]  Castagnone, Mariagiulia'],
 'Soggetti:': ['823.912 (19.) NARRATIVA INGLESE. 1900-1945'],
 'Classificazione Dewey:': ['ita'],
 'Lingua di pubblicazione:': ['IT'],
 'Paese di pubblicazione:': ['IT\\ICCU\\LIA\\0962595']}

结果是乱七八糟的，很可能是块里的什么东西造成的：

else:
    if len(values) > 0 and lines[i] in values[-1]:
        print({f'string {lines[i]}} already in [values], skipping')
        i+=1

如有任何帮助，将不胜感激，谢谢

Answer 1

以下是一些应该解决的问题：

with open('t6.txt', 'r', encoding='utf-8', errors='ignore') as f:
    lines = [line.strip() for line in f.readlines()]
    d = {}
    keys = []
    vals = []
    for line in lines:
        if line.endswith(':'):
            keys.append(line)
        else:
            vals.append(line)
    for k in keys[:-1]:
        d[k] = lines[lines.index(k)+1:lines.index(keys[keys.index(k)+1])]
    print(d)

输出：

{'Autore principale:': ['Christie, Agatha'], 
'Titolo:': ['La mia vita / Agatha Christie ; traduzione di Maria Giulia Castagnone'], 
'Pubblicazione:': ['Milano : Oscar Mondadori, 1995'], 
'Descrizione fisica:': ['636 p. ; 20 cm.'], 
'Collezione:': ['Oscar narrativa ; 1563', 'Oscar scrittori moderni'], 
'Titolo uniforme:': ['An autobiography | Christie, Agatha'], 
'Numeri:': ['[ISBN]  978-88-04-52225-6 9. rist. 2013'], 
'Nomi:': ['Christie, Agatha', '[Traduttore]  Castagnone, Mariagiulia'], 
'Soggetti:': ['Christie, Agatha'], 
'Classificazione Dewey:': ['823.912 (19.) NARRATIVA INGLESE. 1900-1945'], 
'Lingua di pubblicazione:': ['ita'], 
'Paese di pubblicazione:': ['IT']}

Answer 2

作为一种良好的实践，您应该避免在“索引”上循环，而应该使用dict理解和for-each循环：

with open('file.txt', 'r', encoding='utf-8', errors='ignore') as f:
    lines = [line.strip() for line in f.readlines()]
    record_keys = { elem for elem in lines if elem.endswith(':') } # a set
    isbn_dict = { elem : set() for elem in record_keys }   # a dict of sets

    current_key = None
    for line in lines:
        if line in record_keys:
            current_key = line
        else:
            isbn_dict[current_key].add(line)