- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我一直在尝试使用上面的代码将 TREC 文档提取到单独的文本文件中,但我遇到了一些错误。这是我的 TREC 文件的内容示例,其中包含标签 <DOC>
之间的 2 个文档和 </DOC>
:
<DOC>
<DOCNO>
WSJ910102-0145
</DOCNO>
<DOCID>
910102-0145.
</DOCID>
<HL>
xxxx
</HL>
<DATE>
01/02/91
</DATE>
<LP>
text LP1
</LP>
<TEXT>
text1
</TEXT>
</DOC>
<DOC>
<DOCNO>
WSJ910102-0144
</DOCNO>
<DOCID>
910102-0144.
</DOCID>
<HL>
....
</HL>
<DATE>
01/02/91
</DATE>
<LP>
text LP2
</LP>
<TEXT>
text2
</TEXT>
</DOC>
我想将每个文档提取到一个单独的文本文件中。我必须获取文件编号为“DOCNO”的标签“LP”和“TEXT”的内容。这是我的代码:
text=text.replace('\n',' ').replace('\t', ' ')
i=0
txtDoc=''
regexTxt='(<LP>(.*?)</LP>)? <TEXT>(.*?)</TEXT>'
regexDoc='<DOC>(.*?)</DOC>'
regexDocNo='<DOCNO>(.*?)</DOCNO>'
pattern = compile(r'<DOC>(.*?)</DOC>')
iterator = finditer(pattern, text)
count = 0
for match in iterator:
count +=1
res=re.search(regexDoc,text)
while (i<count):
txtDoc=res.group(i)
resNo=re.search(regexDocNo,txtDoc)
docNo=resNo.group()
docNo=docNo.replace('<DOCNO>', ' ').replace('</DOCNO>', ' ')
res2=re.search(regexTxt,txtDoc)
txt=res2.group()
txt=txt.replace('<TEXT>', ' ').replace('</TEXT>', ' ').replace('<LP>',' ').replace('</LP>',' ')
print("Document : %s \n %s" %(docNo,txt))
i+=1
print ("Fin")
打印结果如下:
Document : WSJ910102-0145
text1
Document : WSJ910102-0145
text1
Fin
我想得到这个:
Document : WSJ910102-0145
text LP1
text1
Document : WSJ910102-0144
text LP2
text2
Fin
最佳答案
我会尝试使用 xml 解析器。以下是如何解析此类结构的示例代码:
import xml.etree.ElementTree as ElementTree
with open('test.trec', 'r') as f: # Reading file
xml = f.read()
xml = '<ROOT>' + xml + '</ROOT>' # Let's add a root tag
root = ElementTree.fromstring(xml)
# Simple loop through each document
for doc in root:
print(
'DOC NO: {}, DOC ID: {}, HL: {}, LP: {}, DATE: {}, TEXT: {}'.format( # Nice formatting py 3 \o/
doc.find('DOCID').text.strip(),
doc.find('HL').text.strip(),
doc.find('DOCNO').text.strip(),
doc.find('LP').text.strip(),
doc.find('DATE').text.strip(),
doc.find('TEXT').text.strip(),
)
)
添加根标记的解决方法有点需要使 xml 可解析。
示例输出:
DOC NO: 910102-0145., DOC ID: xxxx, HL: WSJ910102-0145, LP: text LP1, DATE: 01/02/91, TEXT: text1
DOC NO: 910102-0144., DOC ID: blabla, HL: WSJ910102-0144, LP: text LP2, DATE: 01/02/91, TEXT: text2
关于python - 如何提取 TREC 文件?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41344211/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!