我从一本书的内容表的ocr扫描中得到了几个html文件。 我的目标是解析它们，提取一些数据并最终将数据存储在csv文件中。 数据的结构类似于：
Location_1 - id.
Name_1 - year_1 - case_1, case_2, case_3 ...
- year_2 - case_1, case_2, case_3 ...
Name_2 - year_1 - case_1, case_2, case_3 ...
Name_3 - year_1 - case_1, case_2, ...
- year_2 - case_1, case_2, ...
- year_3 - num1, num2, ...
文件不规则，因此我不能依赖换行符或html标签来拆分内容。
到目前为止，我采用了自上而下的方法：
1）使用正则表达式检索位置和id 2）使用位置作为索引以较小的块分割文本以获取名称（带有函数） 3）用另一个正则表达式检索名称。 4）使用zip函数创建一个地方列表，id.s，名称
此时我感到困惑，并且无法获得一个合适的解决方案来获得包含内部节点（年份和案例编号）的分层排序结构。
阅读周围似乎正则表达式不是这种解析的最佳工具，最好使用语法，但我找不到“真实世界的例子”。
所以我的问题是：哪个是解析目录保持层次结构顺序的最佳解决方案，并且能够从中构建csv文件（csv文件每行应该有一个案例）？
编辑：
这是文本的摘录
Hulskov，Eltang s。，Brusk h。（1）。 - H，36。
Jes Nielsen，1636：131。
Kirsten Hansdatter，1636：131。
Hulvig，Hodde s。，ØsterHomeh。 - H，37。
Christen Hansen Smed，1637：569,571,580,625,808,1638：21,128。
粗体部分是位置，它们始终位于行的开头，后跟char +数字代码。在其他方面（斜体），有一个（或更多）年份的名称，然后是冒号后面的一些案例数字。
这是核心结构，尽管在本文的其余部分有几处不合规定。
我可以提取大部分位置名称，字符+数字代码和名称，我可以将它们设置在一个拉链列表中，以便保留分层次序，但我找不到一个合适的解决方案来绑定年份和案例每个名字。