使用 python 从文本文件中的特定模式中提取文本

Question

我有一个文本文件，我试图从中提取标题到 excel 列。但是，所需的标题在特定模式内：

COM *******************
COM * Title 1*
COM *******************

COM ***************************
COM * Sub 1 *
COM ***************************
{
...TEXT DETAILS...
}
COM ***************************
COM * Sub 2 *
COM ***************************
{
...TEXT DETAILS...
}


COM *******************
COM * Title 2*
COM *******************

COM ***************************
COM * T2 Sub 1  *
COM ***************************
{
...TEXT DETAILS...
}
COM ***************************
COM * T2 Sub 2 *
COM ***************************
{
...TEXT DETAILS...
}

字符串提取（标题）格式要求输出为：

['Title 1', 'Sub 1',..,'T2 Sub 2']

或excel列为

CATEGORY
Title 1
Sub 1
Sub 2

Title 2
T2 Sub 1
T2 Sub 2

实际上是'COM *****'模式和由标题组成的中间线，我无法实现。我最近根据字符串模式提取了所需的字符串，我认为这与我当前的问题类似。

在这种情况下 i/p 文本文件的格式为：

CTG 'GEN:LT'                               
{
TEXT DETAILS....
}

CTG 'GEN:FR'                               
{
TEXT DETAILS....
}

CTG 'GEN:G_L02'                                
{
TEXT DETAILS....
}

CTG 'GEN:ER'                               
{
TEXT DETAILS....
}

CTG 'GEN:C1' 
{
TEXT DETAILS....
}

我的目标是提取 CTG 之后的字符串 ' ' 我的想法是检测 CTG 字符串并打印它旁边的字符串。下面是我如何实现相同的：

import re
def getCtgName(text):     
  matches = re.findall(r"'(.+?)'",text)
  return matches

mylines = []                                # Declare an empty list.
with open ('filepath.txt', 'rt') as myfile:    # Open .txt for reading text.
    for myline in myfile:                   # For each line in the file,
        mylines.append(myline.rstrip('\n')) # strip newline and add to list.

columns = []
substr = "CTG"                  # substring to search for.
for line in mylines:            # string to be searched
  if substr in line:
     columns.append(getCtgName(line)[0])
print(columns)

得到的输出为：

['GEN:LT', 'GEN:FR',..., 'GEN:C1']

我相信可以为那些评论 (COM****) 行之间的 Title 提取实现类似的逻辑，任何对代码或逻辑或资源的帮助将不胜感激.谢谢！

Answer 1

我认为您可以使用 lookbehind 和 lookahead 将此代码简化为一个正则表达式模式。这两种技术允许您指定必须在匹配之前或之后出现但不包含在匹配本身中的特定部分。后视语法为 (?<=text)，前视语法为 (?=text)。

因此，标题前面的部分是 COM ***************************\nCOM *，后面的部分是 *\nCOM ***************************。当我们把它放在正则表达式语法中时，模式是：
(?<=COM \*{27}\nCOM \*)[^\n]+(?=\*\nCOM \*{27})

在python代码中，变成：

import re

with open ('filepath.txt', 'rt') as myfile:
    txt=myfile.read()

pattern=r"(?<=COM \*{27}\nCOM \*)[^\n]+(?=\*\nCOM \*{27})"
titles=re.findall(pattern,txt)

另一种方法是先使用您的代码，然后删除所有出现的“***************************” " 在结果中。

一个实现：

import re
def getCtgName(text):     
  matches = re.findall(r"'(.+?)'",text)
  return matches

mylines = []                                # Declare an empty list.
with open ('filepath.txt', 'rt') as myfile:    # Open .txt for reading text.
    for myline in myfile:                   # For each line in the file,
        mylines.append(myline.rstrip('\n')) # strip newline and add to list.

titles = []
substr = "CTG"                  # substring to search for.
for line in mylines:            # string to be searched
  if substr in line:
     titles.append(getCtgName(line)[0])

while "*"*27 in titles:
    titles.remove("*"*27)

print(titles)

Answer 2

假设标题和主题没有 * 作为值，只需在函数 getCtgName 中使用以下正则表达式而不是您的正则表达式：

matches = re.findall(r"COM\s*\*([^*]+)", text)

Answer 3

我假设标题不会包含 * 个字符。

import re

headings = []

# Assuming that each line from the text file is already read and stored in a list named 'strings'
for string in strings:
    sub_string = re.search('COM \*([^*]+)\*', string)
    if sub_string:
        headings.append(sub_string.group(1).strip())

输入：

strings = [
    'COM *******************',
    'COM * Title 1*',
    'COM *******************',
    'COM ***************************',
    'COM * Sub 1 *',
    'COM ***************************',
    '{',
    '...TEXT DETAILS...',
    '}',
    'COM ***************************',
    'COM * Sub 2 *',
    'COM ***************************',
    '{',
    '...TEXT DETAILS...',
    '}',
    'COM *******************',
    'COM * Title 2*',
    'COM *******************',
    'COM ***************************',
    'COM * T2 Sub 1  *',
    'COM ***************************',
    '{',
    '...TEXT DETAILS...',
    '}',
    'COM ***************************',
    'COM * T2 Sub 2 *',
    'COM ***************************',
    '{',
    '...TEXT DETAILS...',
    '}',
]

输出：

['Title 1', 'Sub 1', 'Sub 2', 'Title 2', 'T2 Sub 1', 'T2 Sub 2']

使用 python 从文本文件中的特定模式中提取文本

Extract text from a specific pattern in text file using python

python

excel

regex

text

pattern-matching