在Python中进行标记

Question

我有一个包含32个文档的文本文件，我希望Python能够注意到它。因此，我正在搜索一个标记化过程，以检测新文档的开始和结束时间。

正如我们在图像中看到的，每个文档都以组合开头：32个文档的数量。在图像中我只是展示了第二份文件的石南花。下一个文档将从32个文档中的3个开始，依此类推。任何人都可以帮我开发一个简单的代码，以便Python认识到有32篇文章吗？

Answer 1

解决此问题的一种方法：

1. 逐行阅读文件
2. 检查每一行是否与X of Y documents匹配。
3. 如果是，请启动包含该行的新列表，并将上一个列表添加到文档列表中。
4. 如果没有，请将该行附加到您已启动的列表
5. 转到2.，直到您到达文件末尾。

所以，例如：

import re
sections = []
current = []
with open("myfile.txt") as f:
    for line in f:
        if re.search(r"(?i)\d+ of \d+ documents", line):
            sections.append("".join(current))
            current = [line]
        else:
            current.append(line)
    if current:
        sections.append("".join(current))