我如何使用python3.6從文件中提取單詞的一部分？

Question

我想從文本文件中提取特定的單詞。
這是示例文本文件：
https://drive.google.com/file/d/0BzQ6rtO2VN95d3NrTjktMExfNkU/view?usp=sharing
請檢查一下。
我正在嘗試將字符串提取為：

"Name": "the name infront of it"
"Link": "Link infront of it"

從輸入文件說，我希望得到這樣的輸出：

"Name":"JTLnet"
"Link":"http://jtlnet.com"
"Name":"Apache 1.3"
"Link":"http://httpd.apache.org/docs/1.3"
"Name":"Apache"
"Link":"http://httpd.apache.org/"
.
.
.
"Name":"directNIC"
"Link":"http://directnic.com"

如果這些單詞在文件中的任何位置，則應將其提取到另一個文件中。
請讓我知道如何實現這種提取？ 請將該文件視為大文件的一小部分。
另外，它是文本文件，而不是json。
請幫助我。

Answer 1

由於文本文件的格式不正確，因此唯一的選擇就是正則表達式。 以下代碼段適用於給定的示例文件。

請記住，這需要您將整個文件加載到內存中

import re, json
f = open(r'filepath')
textCorpus = f.read()
f.close()
# replace empty strings to non-empty, match regex easily
textCorpus = textCorpus.replace('""', '" "')
lstMatches = re.findall(r'"Name".+?"Link":".+?"', textCorpus)
with open(r'new_file.txt', 'ab+) as wf:
    for eachMatch in lstMatches:
        convJson = "{" + eachMatch + "}"
        json_data = json.loads(convJson)
        wf.write(json_data["Name"] + "\n")
        wf.write(json_data["Link"] + "\n")

Answer 2

使用re.findall()和str.split()函數的簡短解決方案：

import re

with open('test.txt', 'r') as fh:
    p = re.compile(r'(?:"Categories":[^,]+,)("Name":"[^"]+"),(?:[^,]+,)("Link":"[^"]+")')
    result = [pair for l in re.findall(p, fh.read()) for pair in l]

print('\n'.join(result))

輸出（片段）：

"Name":"JTLnet"
"Link":"http://jtlnet.com"
"Name":"Apache 1.3"
"Link":"http://httpd.apache.org/docs/1.3"
"Name":"Apache"
"Link":"http://httpd.apache.org/"
"Name":"PHP"
....

Answer 3

您的文件是格式錯誤的json，帶有多余的雙引號。 但這足以使json模塊無法加載它。 剩下的是較低級別的正則表達式解析。

假設：

• "Name"或"Link"之后有趣的部分是：

  • 用冒號從標識符分開（ : ）
  • 用雙引號（ " ）括起來，不包含雙引號
• 該文件按行結構
• 名稱和鏈接字段始終在一行上（字段中沒有新行）

您可以在每一行上使用簡單的re.finditer處理文件：

rx = re.compile(r'(("Name":".*?")|("Link":".*?"))')
with open(inputfile) as fd:
    for line in fd:
    l = rx.finditer(line)
        for elt in l:
            print(elt.group(0))

如果要將數據輸出到另一個文件，只需在上述代碼片段之前使用open(outputfile, "w") as fdout:將其打開，然后將打印行替換為：

fdout.write(elt.group(0) + "\n")