Python:读取文本文件的一部分

Question

大家好

我是 Python 和编程的新手。我需要读取大文本文件的 block ，格式如下所示:

<word id="8" form="hibernis" lemma="hibernus1" postag="n-p---nb-" head-"7" relation="ADV"/>

我需要form、lemma 和postag 信息。例如对于以上，我需要 hibernis、hibernus1 和 n-p---nb-。

如何告诉 python 读取直到到达 form，向前读取直到到达引号 " 然后读取引号之间的信息 "hibernis"? 真的很纠结。

到目前为止，我的尝试是删除标点符号、拆分句子，然后从列表中提取我需要的信息。虽然无法让 python 遍历整个文件，但我只能让它工作 1 行。我的代码如下:

f=open('blank.txt','r')
quotes=f.read()
noquotes=quotes.replace('"','')
f.close()

rf=open('blank.txt','w')
rf.write(noquotes)
rf.close()   

f=open('blank.txt','r')
finished = False
postag=[]
while not finished:
   line=f.readline()
   words=line.split()
   postag.append(words[4])
   postag.append(words[6])
   postag.append(words[8])              
   finished=True

欢迎任何反馈/批评

谢谢

Answer 1

如果是 XML，使用 ElementTree解析它:

from xml.etree import ElementTree

line = '<word id="8" form="hibernis" lemma="hibernus1" postag="n-p---nb-" head="7" relation="ADV"/>'

element = ElementTree.fromstring(line)

对于每个 XML 元素，您可以轻松提取名称和所有属性:

>>> element.tag
'word'
>>> element.attrib
{'head': '7', 'form': 'hibernis', 'postag': 'n-p---nb-', 'lemma': 'hibernus1', 'relation': 'ADV', 'id': '8'}

因此，如果您有一个包含一堆 word XML 元素的文档，像这样的东西将从每个元素中提取您想要的信息:

from xml.etree import ElementTree

XML = '''
<words>
    <word id="8" form="hibernis" lemma="hibernus1" postag="n-p---nb-" head="7" relation="ADV"/>
</words>'''

root = ElementTree.fromstring(XML)

for element in root.findall('word'):
    form = element.attrib['form']
    lemma = element.attrib['lemma']
    postag = element.attrib['postag']

    print form, lemma, postag

如果您只有一个文件名，请使用 parse() 而不是 fromstring()。