Question

我是Python或编程的完全新手。

我有一个文本文件要解析为CSV。我目前无法提供文本文件的示例。

文本是几（千）行，没有回车符。
文件中有4种类型的记录（A，B，C或I）。
每种记录类型都有基于数据元素大小的特定格式。
没有分隔符。
在记录类型中的最后一个数据元素之后，立即显示下一个记录类型。
我一直试图用不同的语言翻译Python中可能会出现的样子。

这是我写的一个例子（格式不正确）

file=open('TestPython.txt'), 'r' # from current working directory
dataString=file.read()
data=()
i=0
while i < len(dataString):
i = i+2
    curChar = dataString(i)
    # Need some help on the next line var curChar = dataString[i]

    if curChar = "A"
        NPI = dataString(i+1, 16) # Need to verify that is how it is done in python inside ()
            NPI.strip()
        PCN = datastring(i+17, 40)
            PCN.strip()
        seqNo = dataString(i+41, 42)
            seqNo.strip()
        MRN = dataString(i+43, 66)
            MRN.strip()
    if curChar = "B"
        NPI = dataString(i+1, 16) # Need to verify that is how it is done in python inside ()
            NPI.strip()
        PCN = datastring(i+17, 40)
            PCN.strip()
        seqNo = dataString(i+41, 42)
            seqNo.strip()
        RC1 = (i+43, 46)
            RC1.strip()
        RC2 = (i+47, 50)
            RC2.strip() 
        RC3 = (i+51, 54)
            RC3.strip()
    if curChar = "C"
        NPI = dataString(i+1, 16) # Need to verify that is how it is done in python inside ()
            NPI.strip()
        PCN = datastring(i+17, 40)
            PCN.strip()
        seqNo = dataString(i+41, 42)
            seqNo.strip()
        DXVer = (i=43, 43)
            DXVer.strip()
        AdmitDX = (i+44, 50)
            AdmitDX.strip()
        RVisit1 = (i+51, 57)
            RVisit1.strip()

这是一段文本文件的Dummied-up版本。

A 63489564696474677 9845687 777 67834717467764674 TUANU TINBUNIU 47 ERTYNU TDFGH UU748897764 66762589668777486U6764467467774767 7123609989 9 O
    B 79466945684634677 676756787344786474634890 7746.66 7 96 4 7 7 9 7 774666 44969 494 7994 99666 77478 767766
    B 098765477 64697666966667 9 99 87966 47798 797499
    C 63489564696474677 6747494 7494 7497 4964 4976 N7469 4769 N9784 9677
    I 79466944696474677 677769U6 8888 67764674
    A 79466945684634677 6767994 777 696789989 6464467464764674 UIIUN UITTI 7747 NUU 9 ATU 4 UANU OSASDF NU67479 66567896667697487U6464467476777967 7699969978 7699969978 9 O

如您所见，文件中可以有多种类型。这个示例粘贴的方式，看起来类型是一行中的第一个字符。实际文件不是这种情况（我在Word中制作了这个示例）。

Answer 1

您可以查看pyparsing。

Answer 2

您最好在阅读时处理该文件。

首先，执行file.read(1)以确定接下来要记录的记录类型。

然后，根据类型，读取字段，如果我理解你正确的是固定宽度。所以对于类型'A'，这看起来像这样：

def processA (file):
    NPI = file.read(16).strip()  #assuming the NPI is 16 bytes long 
    PCN = file.read(23).strip()  #assuming the PCN is 23 bytes long
    seqNo = file.read(1).strip() #assuming seqNo is 1 byte long
    MRN = file.read(23).strip()  #assuming MRN is 23 bytes long
    return {"NPI":NPI,"PCN":PCN, "seqNo":seqNo, "MRN":MRN}

如果文件不是ASCII，则需要更多的工作来使编码正确并读取字符而不是字节。

解析复杂的文本文件，以便在Python中进行数据分析

2 个答案: