程序员将如何处理此文本处理任务？

Question

一些背景

我问一个程序员如何处理这个任务，因为我不是一个真正的程序员。 我是一名研究定量社会科学的研究生，尽管我一直坚持编程已有一年了，但是我没有接受过正式培训。

我不关心实现通用算法。 我很高兴在Bash，AWK，R或Python中工作。 我还用Java，C，JavaScript和Matlab编写了一些小的代码片段（超越“ hello world”，但没有更多）。 但是，如果有某种语言或某种语言的功能使该任务更容易或更自然，我很想知道。

相反，我对算法和数据结构感兴趣。 我要抓什么，什么时候抓，在哪里保存等等？ 我想我可以用一些巧妙构造的正则表达式来完成所有这些工作，并且我对中级正则表达式功能（如环顾四周）非常满意，但是我自己编写的任何内容无疑都是很笨拙的。

任务

我所拥有的代码（恰好在R中）看起来像这样，其中#表示注释：

items = list(
    day1 = list(
    # a apples
    # b oranges
    # c pears
    # d red grapes
    # m.
      # 1 peanuts
      # 2 cashews
        type1 = c("a", "b", "d", "m.2")  # this returns a vector of strings
        type2 = c("c", "m.1")
    ),                                   # this returns a list of vectors
    day2 = list(
    # a apples
    # b oranges
    # c pears
    # d red grapes
    # e plums
    # m.
      # 1 peanuts
      # 2 cashews
      # 3 pistachios
        type1 = c("a", "b", "d", "e", "m.2")
        type2 = c("c", "m.1", "m.3")
    )
)                                       # this returns a list of lists of vectors

而我想要的是看起来像这样的代码：

items = list(
    day1 = list(
        type1 = c(
            "apples" = "a",
            "oranges" = "b",
            "red grapes" = "d",
            "cashews" = "m.2"
        ),
        type2 = c(
            "pears" = "c",
            "peanuts" = "m.1"
        )
    ),
    day2 = list(
        type1 = c(
            "apples" = "a", 
            "oranges" = "b",
            "red grapes" = "d",
            "plums" = "e",
            "cashews" = "m.2"
        ),
        type2 = c(
            "pears" = "c",
            "peanuts" = "m.1",
            "pistachios" = "m.3"
        )
    )
)

注意事项：

1. 我可以依靠以下格式的注释文本。
2. 我不能依靠命名为day1被“套”的命名为内day2 。 一些字母可能会互换。
3. 我可以依靠那里是相同的号码和名字的type中的小号day秒。
4. 垂直间距并不重要； 我主要只是想将注释添加到所示的代码中，尽管让脚本为我提供所有间距是一种不错的感觉。

那么， 程序员将如何处理以编程方式将第一个代码片段转换为第二个代码片段的任务 ？ 我可以在大约15分钟的复制和粘贴过程中完成此操作，但是我想在这里学习一些知识。 再说一次，我不是要预先编写的代码，我只是在寻找一些方向，因为现在我只是在黑暗中摸索。

Answer 1

给定您的代码示例，应该可以通过将转换分为几个步骤来实现。 在较高的层次上，您需要将注释读入可以查询的数据集合中，然后解析代码并查找/替换引用该数据集合的对象。

不必太深入，它可能看起来像：

1. 生成仅包含注释的文本文件。 使用正则表达式的目的是“查找以空格开头的所有行，然后输入＃”（类似于^\\s*#.*$ ），结果将是：

 # a apples # b oranges # c pears # d red grapes # m. # 1 peanuts # 2 cashews # a apples # b oranges # c pears # d red grapes # e plums # m. # 1 peanuts # 2 cashews # 3 pistachios 

2. 使用以上结果，您可以利用一些基本的文本分析来分解每一行。 要处理m. 案例需要一些假设。 根据您的示例，我将从一些伪代码开始，例如：

 For each line Get the first character after the # and call it "key" Find the word after the letter and call it "value" If the key is a letter Add "key" => "value" to the dictionary Next line If the key is a number Get the last key added to the dictionary and call it as "parentkey" Add "parentkey"+"key" => "value" to the dictionary Next line 

这将为您提供如下结构：

{
  "a": "apples",
  "b": "oranges",
  "c": "pears",
  "d": "red grapes",
  "m.": "",
  "m.1": "peanuts",
  "m.2": "cashews",
  "a": "apples",
  "b": "oranges",
  "c": "pears",
  "d": "red grapes",
  "e": "plums",
  "m.": "",
  "m.1": "peanuts",
  "m.2": "cashews",
  "m.3": "pistachios"
}

您可以清除空的“ m”。 通过遍历它并删除具有空值的项目来输入条目。

3. 此时，您可以遍历字典并在代码文件中执行查找/替换：

 For each dictionary entry (key, value) Find strings like "key" and replace with strings like "value" = "key" 

总而言之，这并不是十分高效或优雅，但并不难编写代码并且可以正常工作。 当然，可能还有其他细节要考虑（总是存在），但是考虑到您的样本，这是一种相当简单的方法。

Answer 2

我将使用快速的正则表达式替换来减少要做的工作，然后手动进行修复。 例如，您通过以下方式中途结束：

s/# (\w+) ([\w ]+)/"\2" = "\1"/

要编写的确切正则表达式以及如何使用它取决于您的工具。 不同的编辑器和编程语言是非常不同的。 Google为您提供了更多信息。 （您可能有多个简单的选项-Python命令行将使用一种语法，而vi编辑器将使用另一种语法。）

如果您必须定期执行此任务或获取更多代码，则需要学习有关解析的知识。 从长远来看，这需要做更多的工作（如果没有足够的代码来完成类似的工作，那么就不值得这样做）。