如何读取多个文本文件，我们只读取同一组的所有文本文件？

Question

我的目录中有几个这样的文本文件，

id-2020-01-21-22.txt
id-2020-01-21-23.txt
id-2020-01-22-00.txt
id-2020-01-22-01.txt
id-2020-01-22-02.txt
id-2020-01-23-00.txt
id-2020-01-24-00.txt

那么我如何阅读它们，就像我首先一起阅读id-2020-01-21-22.txt和id-2020-01-21-23.txt ，将它们制成数据框，将它们写入组合文本文件，然后将id-2020-01-22-00.txt & id-2020-01-22-01.txt & id-2020-01-22-02.txt一起写入 dataframe 等等，直到目录中的最后一个文件。

所有文本文件的内部结构如下所示：

100232323\n
903812398\n
284934289\n
{empty line placeholder}

没有标题，但每个文本文件的末尾都有一个空行。 我是 python 的新手，如果你能帮助我，不胜感激。

这是我已经走了多远：

import os

new_list = []
for root, dirs, files in os.walk('./textFilesFolder'):
    for file in files:
        if file.endswith('.txt'):
            with open(os.path.join(root, file), 'r') as f:
                text = f.read()
                new_list.append(text)


print(new_list)

Answer 1

您需要将每小时文件连接在一起的每日摘要。 好的，很好。

创建一个 Ymd 日期正则表达式：

import re

date_re = re.compile(r'^id-(\d{4}-\d{2}-\d{2})-\d{2}\.txt$')
prev_date = None

现在在您的循环中，您可以将现有的if替换为：

        m = date_re.search(file)
        if m:
            date = m.group(1)
            print(f'Working on day {date} ...')
            ...
            prev_date = date

解析出日期后，您现在可以通过比较是否prev_date == date来注意到它何时发生变化，并采取适当的措施，例如写入新文件。

或者考虑使用with open(f'output-{date}.txt', 'a') as fout:让你 append 到一个（可能已经存在的）文件。 这样文件系统就会为您记住事情，而不是需要跟踪程序中的更多变量。

顺便说一句，您对walk()的使用非常好，对此表示赞赏。 但是对于这个文件目录，结构很简单，您可以使用glob ：

new_list = []
for file in glob.glob('id-*.txt'):
    ...

编辑

假设我们从一个清晰的石板开始，没有 output 文件：

$ rm output-*.txt

然后我们可以在一个循环中只使用 append ，类似于$ cat hour01 hour02 > day31 。 或者，同样的事情，类似于$ rm day31; cat hour01 >> day31; cat hour02 >> day31 $ rm day31; cat hour01 >> day31; cat hour02 >> day31 $ rm day31; cat hour01 >> day31; cat hour02 >> day31 。

        m = date_re.search(file)
        if m:
            date = m.group(1)
            print(f'Working on day {date} ...')
            with open(file) as fin:
                with open(f'output-{date}.txt', 'a') as fout:
                    fout.write(fin.read())

就是这样，你完成了，我们阅读每小时的文本。 并将其写入每日文件的末尾。

我提到上面的rm是因为，如果您正在调试并且运行两次或 N 次，您最终会得到一个 output 文件，该文件比您希望的大 N 倍。

Answer 2

您也可以尝试这样做以提高可读性。

from collections import defaultdict
import os
import pandas as pd

data = defaultdict(list)
for i in (os.listdir('files/')): # here files is a folder in current directory.
    print(i)                     # which has your text files.
    column = i.split('-')[3]
    with open('files/'+i, 'r') as f:
        file_data = f.read().replace('\n', ' ').split(' ')
        data[column].extend(file_data[:-1])
df = pd.DataFrame(data)
print('---')
print(df)

Output：

id-2020-01-22-01.txt
id-2020-01-22-00.txt
id-2020-01-21-23.txt
id-2020-01-21-22.txt
---
          22          21
0    1006523  1002323212
1   90381122  9038123912
2   28493423   284934212
3  100232323   100232323
4  903812332   903812392
5  284934212   284934289