python - 解析具有随机间距和重复文本的文本文件？

Question

我正在尝试解析一个具有不一致间距和重复行的大型文本文件。文件中的很多文本我不需要，但例如在一行中我可能需要 6 个项目，有些用逗号分隔，有些用空格分隔。

示例行:1 23456 John,Doe 366: F.7

我想要的(CSV格式):1 2456 John Doe 366 F.7(全部作为他们自己的单元格)

最终，我试图将输出获取到 CSV，并且希望我已经尝试在文件中逐行进行到目前为止，将我试图按其特定空间提取的组件分开，但我觉得有一个更好的方法。

import csv

def is_page_header(line):
    return(line[0] == '1') and ("RUN DATE:" not in line)

def read_header(inFile):
    while True:
        line = inFile.readline()
        if '************************' in line:
            break

def is_rec_start(line):
    try:
        x = int(line[0:6])
        return True
    except:
        return False

filename = r"TEXT_TEST.txt"

inFile = open(filename)

while True:
    line = inFile.readline()    

    if line == "\n":
        continue
    elif line == "":
        break
    elif is_page_header(line):
        read_header(inFile)
    elif is_rec_start(line):
          docketno = int(line[0:6])
          fileno = line[8:20]
    elif 'FINGERPRINTED' in line:
        fingerprinted = True
    else:
        print(line)

Answer 1

您可以使用正则表达式

import re
import csv
pattern = re.compile("(\d+)\s+(\d+)\s*(\w+)\s*\,\s*(\w+)\s*(\d+)\s*\:\s*([\w\.]+)")
with open("TEXT_TEST.txt") as txt_file, open("CSV_TEST.csv", "w") as csv_file:
    csv_writer = csv.writer(csv_file)
    for line in txt_file:
        g = pattern.findall(line)
        if g: csv_writer.writerows(g)

(\d+) :\d匹配从 0 到 9 的任意数字，+ after 表示匹配一个或多个，()用于捕获和提取信息以进行进一步处理。

\s+ :\s匹配空白，+一个或多个。

\s* :*之后\s匹配零个或多个空格。

\w : 用于匹配 A-Z 范围内的字符, a-z , 0-9

[]用于匹配特定字符，例如。 [abc]只会匹配单个 a , b ，或c信，没有别的，所以[\w\.]匹配A-Z , a-z , 0-9或. , \之前.用于转义正则表达式中具有特殊含义的字符。

\d \w \s * + . [] () re.findall