Python文本提取

Question

我正在使用 python 進行文本提取。 輸出並不像我想要的那樣理想！

我有一個包含如下信息的文本文件：

FN Clarivate Analytics Web of Science
VR 1.0

PT J

AU Chen, G

   Gully, SM

   Whiteman, JA

   Kilcullen, RN

AF Chen, G

   Gully, SM

   Whiteman, JA

   Kilcullen, RN

TI Examination of relationships among trait-like individual differences,

   state-like individual differences, and learning performance

SO JOURNAL OF APPLIED PSYCHOLOGY

CT 13th Annual Conference of the

   Society-for-Industrial-and-Organizational-Psychology

CY APR 24-26, 1998

CL DALLAS, TEXAS

SP Soc Ind & Org Psychol

RI Gully, Stanley/D-1302-2012

OI Gully, Stanley/0000-0003-4037-3883

SN 0021-9010

PD DEC

PY 2000

VL 85

IS 6

BP 835

EP 847

DI 10.1037//0021-9010.85.6.835

UT WOS:000165745400001

PM 11125649

ER

當我像這樣使用我的代碼時

import random
import sys

filepath = "data\jap_2000-2001-plain.txt"

with open(filepath) as f:
    articles = f.read().strip().split("\n")

articles_list = []

author = ""
title = ""
year = ""
doi = ""

for article in articles:
    if "AU" in article:
        author = article.split("#")[-1]
    if "TI" in article:
        title = article.split("#")[-1]
    if "PY" in article:
        year = article.split("#")[-1]
    if "DI" in article:
        doi = article.split("#")[-1]
    if article == "ER#":
        articles_list.append("{}, {}, {}, https://doi.org/{}".format(author, title, year, doi))
print("Oh hello sir, how many articles do you like to get?")
amount = input()

random_articles = random.sample(articles_list, k = int(amount))


for i in random_articles:
    print(i)
    print("\n")

exit = input('Please enter exit to exit: \n')
if exit in ['exit','Exit']:
    print("Goodbye sir!")
    sys.exit()

提取不包括換行后輸入的數據，如果我運行此代碼，輸出看起來像“AU Chen，G”並且不包括其他名稱，與標題等相同。

我的輸出看起來像：

Chen, G. 特質間關系的檢驗, 2000, doi.dx.10.1037//0021-9010.85.6.835

所需的輸出應該是：

Chen, G., Gully, SM., Whiteman, JA., Kilcullen, RN., 2000，特質樣個體差異、狀態樣個體差異和學習表現之間關系的檢驗，doi.dx.10.1037//0021 -9010.85.6.835

但提取只包括每一行的第一行——

有什么建議？

Answer 1

您需要在解析文件時跟蹤您所在的部分。 有更簡潔的方法來編寫狀態機，但作為一個快速而簡單的示例，您可以執行以下操作。

基本上，將每個部分的所有行添加到該部分的列表中，然后組合列表並在最后執行任何操作。 請注意，我沒有對此進行測試，只是通過偽編碼向您展示總體思路。

authors = []
title = []
section = None

for line in articles:
    line = line.strip()

    # Check for start of new section, select the right list to add to
    if line.startswith("AU"):
        line = line[3:]
        section = authors
    elif line.startswith("TI"):
        line = line[3:]
        section = title
    # Other sections..
    ...

    # Add line to the current section
    if line and section is not None:
        section.append(line)

authors_str = ', '.join(authors)
title_str = ' '.join(title)
print authors_str, title_str

Answer 2

初步了解

根據你的例子，我相信：

• 文本按行提供。
• 示例文本似乎有太多換行符，可能是它從 DOS/Windows 遷移的產物？ 如果是這樣，要么需要 CRLF 處理，要么應忽略備用行。
• 這些線被分成幾個部分。
• 每個部分由該部分第一行的0,1 列中的兩個字母大寫標記分隔，並一直持續到新部分的開始。
• 每行有一個標簽或 2 個空格，后跟一個空格，位於 0-2 列。
• 由標記ER分隔的人工部分標志着記錄結束。
• ER部分不包含可用的文本。

也可能是這樣：

• 記錄以FN標簽開始。
• 在FN / ER對之外遇到的任何文本都可以忽略。

建議設計

如果這是真的，我建議您使用該邏輯編寫文本處理器：

• 讀行。
• 處理CR/LF處理； 或跳過交替行； 或者“不要擔心真正的文本沒有這些換行符”？
• 使用狀態數未知的狀態機，初始狀態為ER 。
• 特殊規則：忽略ER狀態中的文本，直到遇到FN行。
• 一般規則：當看到一個標簽時，結束之前的狀態並開始一個以看到的標簽命名的新狀態。 任何累積的文本都會添加到記錄中。
• 如果沒有看到標簽，則在前一個標簽中累積文本。
• 特殊規則：當進入ER狀態時，將累積記錄添加到累積記錄列表中。

在此過程結束時，您將獲得一個記錄列表，其中包含各種累積的標簽。 然后，您可以以各種方式處理標簽。

像這樣的東西：

from warnings import warn

Debug = True

def read_lines_from(file):
    """Read and split lines from file. This is a separate function, instead
       of just using file.readlines(), in case extra work is needed like
       dos-to-unix conversion inside a unix environment.
    """
    with open(file) as f:
        text = f.read()
        lines = text.split('\n')

    return lines

def parse_file(file):
    """Parse file in format given by 
        https://stackoverflow.com/questions/54520331
    """
    lines = read_lines_from(file)
    state = 'ER'
    records = []
    current = None

    for line_no, line in enumerate(lines):
        tag, rest = line[:2], line[3:]

        if Debug:
            print(F"State: {state}, Tag: {tag}, Rest: {rest}")

        # Skip empty lines
        if tag == '':
            if Debug:
                print(F"Skip empty line at {line_no}")
            continue

        if tag == '  ':
            # Append text, except in ER state.
            if state != 'ER':
                if Debug:
                    print(F"Append text to {state}: {rest}")
                current[state].append(rest)
            continue

        # Found a tag. Process it.

        if tag == 'ER':
            if Debug:
                print("Tag 'ER'. Completed record:")
                print(current)

            records.append(current)
            current = None
            state = tag
            continue

        if tag == 'FN':
            if state != 'ER':
                warn(F"Found 'FN' tag without previous 'ER' at line {line_no}")
                if len(current.keys()):
                    warn(F"Previous record (FN:{current['FN']}) discarded.")

            if Debug:
                print("Tag 'FN'. Create empty record.")

            current = {}

        # All tags except ER get this:
        if Debug:
            print(F"Tag '{tag}'. Create list with rest: {rest}")

        current[tag] = [rest]
        state = tag

    return records

if __name__ == '__main__':
    records = parse_file('input.txt')
    print('Records =', records)