Question

我有一个包含以下数据的文本文件：

Schema:
  Column Name                   Localized Name                Type    MaxLength
  ----------------------------  ----------------------------  ------  ---------
  Raw                Binary            Binary  16384

Row 1:
  Binary:
-----BEGIN-----
fdsfdsfdasadsad
fsdfafsdafsadfa
fsdafadsfadsfdsa
-----END-----


Row 2:
  Binary:
-----BEGIN-----
fsdfdssd
fdsfadsfasd
fsdafdsa 
-----END-----


Row 3:
  Binary:
-----BEGIN-----
fsdafadsds
fsdafasdsda
fdsafadssad
-----END-----

我需要将“----- BEGIN -----”和“------ END -----”分隔符之间的数据提取到数组中。

这是我尝试过的：

data = open("test_data.txt", 'r')
result = [line.split('-----BEGIN-----') for line in data.readlines()]
print data

然而，这显然会在'----- BEGIN -----'分隔符之后得到所有数据。

如何添加结束分隔符？

请注意，该文件非常大，约为1GB。

Answer 1

对于之间的多行，您希望将数据分成几个部分，只需捕获以----- BEGIN-开头的每个块，并继续添加行，直至到达END：

with open("file.txt") as f:
    out = []
    for line in f:
        if line.rstrip() == "-----BEGIN-----":
            tmp = []
            for line in f:
                if line.rstrip() == "-----END-----":
                    out.append(tmp)
                    break
                tmp.append(line)

这些部分将拆分为子列表：

 [['fdsfdsfdasadsad\n', 'fsdfafsdafsadfa\n', 'fsdafadsfadsfdsa\n'],   ['fsdfdssd\n', 'fdsfadsfasd\n', 'fsdafdsa \n'], ['fsdafadsds\n', 'fsdafasdsda\n', 'fdsafadssad\n']]

使用with打开文件，除非您需要列表，否则不要调用读取行，您可以如上所述迭代文件对象而不将所有内容存储在内存中。

或使用itertools.takewhile获取部分：

from itertools import takewhile, imap
with open("file.txt") as f:
    f = imap(str.rstrip,f) # use map for python3
    out = [list(takewhile(lambda x: x != "-----END-----",f)) for line in f if line == "-----BEGIN-----"]
    print(out)

[['fdsfdsfdasadsad', 'fsdfafsdafsadfa', 'fsdafadsfadsfdsa'], 
['fsdfdssd', 'fdsfadsfasd', 'fsdafdsa'], 
['fsdafadsds', 'fsdafasdsda', 'fdsafadssad']]

如果您想要一个可以链接的所有单词的列表：

from itertools import takewhile,chain, imap
with open("file.txt") as f:
    f = imap(str.rstrip,f)
    out = chain.from_iterable(takewhile(lambda x: x != "-----END-----",f) for line in f if line == "-----BEGIN-----")
    print(list(out))

['fdsfdsfdasadsad', 'fsdfafsdafsadfa', 'fsdafadsfadsfdsa',
 'fsdfdssd', 'fdsfadsfasd', 'fsdafdsa', 'fsdafadsds', 'fsdafasdsda', 'fdsafadssad']

一个文件对象返回它自己的迭代器，所以每当我们迭代或调用takewhile时我们消耗行，takewhile将继续占用行直到我们点击-----END----然后我们继续迭代直到我们点击另一个-----BEGIN-----行，如果这些行始终以-开头且没有其他行，那么您可以检查该条件，即if line[0] == "-"和x[0] != "-"，而不是检查整行。

如果您想处理每个部分，可以使用生成器表达式并处理每个部分的行：

with open("file.txt") as f:
    f = imap(str.rstrip,f)
    out = ((takewhile(lambda x: x != "-----END-----",f)) for line in f if line == "-----BEGIN-----")
    for sec in out:
        print(list(sec))

['fdsfdsfdasadsad', 'fsdfafsdafsadfa', 'fsdafadsfadsfdsa']
['fsdfdssd', 'fdsfadsfasd', 'fsdafdsa']
['fsdafadsds', 'fsdafasdsda', 'fdsafadssad']

如果您想要一个字符串调用join：

with open("file.txt") as f:
    f = imap(str.rstrip,f)
    st, end = "-----BEGIN-----", "-----END-----"
    out = "".join(chain.from_iterable(takewhile(lambda x: x != end,f)
                                      for line in f if line == st))
    print(out)

输出：

fdsfdsfdasadsadfsdfafsdafsadfafsdafadsfadsfdsafsdfdssdfdsfadsfasdfsdafdsafsdafadsdsfsdafasdsdafdsafadssad

要获得保持-----BEGIN-----和-----END-----

的单个字符串

with open("out.txt") as f:
    f = imap(str.rstrip,f)
    st, end = "-----BEGIN-----", "-----END-----"
    out = "".join(["{}{}{}".format(st, "".join(takewhile(lambda x: x != end, f)), end)
                                    for line in f if line == st])

输出：

-----BEGIN-----fdsfdsfdasadsadfsdfafsdafsadfafsdafadsfadsfdsa-----END----------BEGIN-----fsdfdssdfdsfadsfasdfsdafdsa-----END----------BEGIN-----fsdafadsdsfsdafasdsdafdsafadssad-----END-----

Answer 2

试试这个：

array1 =[]
with open('test_data.txt','r') as infile:
    copy = False
    for line in infile:
        if line.strip() == "-----BEGIN-----":
            copy = True
        elif line.strip() == "-----END-----":
            copy = False
        elif copy:
            array1.append(line)

这将解决您的目的。

Answer 3

如果你的文件小到足以将整个内容加载到内存中，那么使用正则表达式（又名正则表达式）可能是最好的方法。

import re

beginstr = '\n-----BEGIN-----\n'
endstr = '-----END-----\n'
pat = re.compile(beginstr + '(.*?\n)' + endstr, re.DOTALL)

with open('test_data.txt', 'r') as f:
    data = f.read()

result = pat.findall(data)
for row in result:
    print repr(row)

<强>输出

'fdsfdsfdasadsad\nfsdfafsdafsadfa\nfsdafadsfadsfdsa\n'
'fsdfdssd\nfdsfadsfasd\nfsdafdsa \n'
'fsdafadsds\nfsdafasdsda\nfdsafadssad\n'

该代码创建一个已编译的正则表达式模式;在这种情况下，它并不是绝对必要的，因为我们只使用了一次模式，但它确实使代码看起来更整洁，恕我直言。

该正则表达式查找由'beginstr'和'\n' + endstr分隔的子字符串。由于使用了分组括号，findall调用仅捕获这些分隔符之间的内容。我在这些括号中放了一个'\n'，以便捕获的子字符串总是有一个尾随换行符。

Answer 4

您可以使用itertools.ifilter：

from itertools import ifilter
with open('a1.txt') as f,open('a1.txt') as g :
    f.next()
    it=f
    print [i.strip() for i in ifilter(lambda x:next(f).strip()=='-----END-----',g)]

结果：

['fdsfdsfdasadsad', 'fsdfdssd', 'fsdafadsds']

如果文件不是很大，请使用re.findall：

>>> re.findall('-----BEGIN-----\n(.*?)\n-----END-----',open('file_name').read(),re.M|re.DOTALL)
['fdsfdsfdasadsad', 'fsdfdssd', 'fsdafadsds']

如果没有itertools，您可以使用以下食谱：

with open('a1.txt') as f,open('a1.txt') as g :
    f.next()
    it=f
    for line in g :
        n=next(f)
        try :
            if n.strip()=='-----END-----':
                print line
        except StopIteration:
            break

结果：

fdsfdsfdasadsad

fsdfdssd

fsdafadsds

请注意，文件对象是一个迭代器，您可以在每次迭代中通过next函数从中获取下一个项目。所以我们将文件中每一行的下一行与下一行（剥离）进行比较，如果它等于'-----END-----'我们打印它。

Answer 5

仅

split就好了，不需要其他工具。还要将结束标记及其后的所有内容分开：

with open("file.txt") as f:
    blocks = [part.split('-----END-----')[0].strip()
              for part in f.read().split('-----BEGIN-----')[1:]]

两个分米

5 个答案: