如何使用 Python 在第二次出现特定单词后提取文本文件的一部分

Question

我试图在第二次出现特定单词后提取文本文件的一部分，直到第二次出现另一个特定单词结束。原因是这两个词在内容的table中最先说明。因此，当我运行代码时，我得到了第一次出现的 0 输出。

示例文本：

Table 个内容

项目1a.Risk因素

没有任何文字（不需要的部分）

项目 1b

内容 table 结束

主要内容
项目 1a。风险因素

正文（想要的部分）
正文（想要的部分）
正文（想要的部分）

项目 1b

我需要提取第 1a 项第二次出现之间的文本。风险因素和项目 1b 的第二次出现。

我的代码如下：

for file in tqdm(files):
with open(file, encoding='ISO-8859-1') as f:
    for line in f:
        if line.strip() == 'Item 1A.Risk Factors': 
            break
    for line in f: 
        if line.strip() == 'Item 1B':
            break
f=open(os.path.join('QTR4_Risk_Factors',
os.path.basename(file)) , 'w')
f.write(line)
f.close()

Answer 1

我认为你应该制作一个标志来知道何时复制这些行。您还可以在上下文管理器中同时打开 2 个或更多文件。

with open(file, encoding='ISO-8859-1') as f, open(os.path.join('QTR4_Risk_Factors', os.path.basename(file)) , 'w') as w:
    write = False
    for line in f:
        if line.strip() == 'Item 1A.Risk Factors': 
            write = True
            continue
        elif line.strip() == 'Item 1B':
            write = False
        if write == True:
            w.write(line)

Ronie's answer is going in the right direction but it doesn't address the fact that you want to start saving the text only after the second occurrence of your "start hint".

编辑：添加了 continue

Answer 2

您编写的代码几乎没有问题，其中之一是您在扫描文档以查找“结束文本”时没有保存所需的文本部分。此外，如果可能的话，最好在内存中存储尽可能少的文本，因为我们不知道您要分析的文档有多大。为此，我们可以在读取原始文件的同时写入新文件。

Ronie 的回答是正确的，但它没有解决您只想在第二次出现“开始提示”后才开始保存文本的事实。不幸的是，我还不能发表评论来建议编辑，所以我将其添加为新答案。试试这个：

for file in tqdm(files):
    with open(file, encoding='ISO-8859-1') as f, open(os.path.join('QTR4_Risk_Factors', os.path.basename(file)) , 'w') as w:
        start_hint_counter = 0
        write = False
        for line in f:
            if write is False and line.strip() == 'Item 1A.Risk Factors': 
                start_hint_counter += 1
                if start_hint_counter == 2:
                    write = True
            if write is True:
                if line.strip() == 'Item 1B':
                    break
                else:
                    w.write(line)

Answer 3

您可以试试正则表达式：

import re

t = """Item 1a.Risk Factors

not any text (unwanted portion)
Item 1b

End of table of contents

Main content
Item 1a. Risk Factors

text (wanted portion)
text (wanted portion)
text (wanted portion)
Item 1b"""

crit = re.compile('Item 1a.Risk Factors.*?Item 1a. Risk Factors(.*?)Item 1b', re.I|re.DOTALL)
if re.search(crit, t):
    result = re.search(crit, t).group(1)

如何使用 Python 在第二次出现特定单词后提取文本文件的一部分

How to extract the part of a text file after the second occurrence of a specific word using Python

python

regex

text

analysis

extract