解析具有与空格对齐的列的文本文件

Question

我正在尝试解析一个文本文件，其中条目使用多个空格对齐为列。 文字如下：

Blah blah, blah               bao     123456     
hello, hello, hello           miao    299292929  

我已经检查过它不是制表符分隔的。 这些条目实际上与多个空格对齐。

将文本拆分成单行并不是一个问题，然后我也注意到数字序列后面有尾随空格。 所以我现在拥有的是：

["Blah blah, blah               bao     123456     ",   
 "hello, hello, hello           miao    299292929  "]

期望的输出是：

[["Blah blah, blah", "bao", "123456"],
 ["hello, hello, hello", "miao", "299292929"]]

Answer 1

您可以使用re.split() ，并使用\\s{2,}作为分隔符模式：

>>> l = ["Blah blah, blah               bao     123456     ",   
...      "hello, hello, hello           miao    299292929  "]
>>> for item in l:
...     re.split('\s{2,}', item.strip())
... 
['Blah blah, blah', 'bao', '123456']
['hello, hello, hello', 'miao', '299292929']

\\s{2,}匹配2个或更多后续空白字符。

Answer 2

您可以简单地按索引进行拆分。 您可以对索引进行硬编码，也可以检测它们：

l=["Blah blah, blah               bao     123456     ",   
   "hello, hello, hello           miao    299292929  "]

def detect_column_indexes( list_of_lines ):
    indexes=[0]
    transitions= [col.count(' ')==len(list_of_lines) for col in zip(*list_of_lines)]
    last=False
    for i, x in enumerate(transitions):
        if not x and last:
            indexes.append(i)
        last=x
    indexes.append( len(list_of_lines[0])+1 )
    return indexes

def split_line_by_indexes( indexes, line ):
    tokens=[]
    for i1,i2 in zip(indexes[:-1], indexes[1:]): #pairs
        tokens.append( line[i1:i2].rstrip() )
    return tokens

indexes= detect_column_indexes( l )
parsed= [split_line_by_indexes(indexes, line) for line in l] 
print indexes
print parsed

输出：

[0, 30, 38, 50]
[['Blah blah, blah', 'bao', '123456'], ['hello, hello, hello', 'miao', '299292929']]

显然，不可能在每个列上分辨尾随空格 - 但是您可以使用rstrip而不是strip来检测前导空格。

这种方法并非万无一失，但比检测两个连续的空格更加健壮。

Answer 3

如果您知道每个字段的宽度，那很容易。 第一个字段宽30个字符，第二个字符是8个字符，最后一个字符是11个字符。 所以你可以这样做：

line = 'Blah blah, blah               bao     123456     '
parts = [line[:30].strip(), line[30:39].strip(), line[38:].strip()]

Answer 4

使用re模块

import re
l1 = re.split('  +', l[0])
l2 = re.split('  +', l[1])
print [l1.remove(''), l2.remove('')]