Question

我在Windows上运行Python 2.7。

我有一个大文本文件（2 GB），引用500K +电子邮件。该文件没有明确的文件类型，格式为：

email_message#: 1
email_message_sent: 10/10/1991 02:31:01
From: tomf@abc.com| Tom Foo |abc company|
To: adee@abc.com| Alex Dee |abc company|
To: benfor12@xyz.com| Ben For |xyz company|
email_message#: 2
email_message_sent: 10/12/1991 01:28:12
From: timt@abc.com| Tim Tee |abc company|
To: tomf@abc.com| Tom Foo |abc company|
To: adee@abc.com| Alex Dee |abc company|
To: benfor12@xyz.com| Ben For|xyz company|
email_message#: 3
email_message_sent: 10/13/1991 12:01:16
From: benfor12@xyz.com| Ben For |xyz company|
To: tomfoo@abc.com| Tom Foo |abc company|
To: t212@123.com| Tatiana Xocarsky |numbers firm |
...

如您所见，每封电子邮件都包含以下数据：

1）发送时间

2）发送邮件的电子邮件地址

3）发送者的姓名

4）该人工作的公司

5）收到电子邮件的每个电子邮件地址

6）收到电子邮件的每个人的姓名

7）收到电子邮件的每个人的公司

在文本文件中有500K +电子邮件，电子邮件最多可以有16K收件人。电子邮件中没有关于他们如何引用人员名称或他们所在公司的模式。

我想接受这个大文件并在python中对其进行操作，以便它最终成为Pandas Dataframe。我希望pandas dataframe的格式类似于以下excel的屏幕截图：

修改

我解决这个问题的计划是写一个＆＃34;解析器＆＃34;获取此文本文件并读取每一行，将每行中的文本分配给pandas dataframe的特定列。

我打算写下面的内容。有人可以确认这是执行此操作的正确方法吗？我想确保我没有错过来自不同pandas的内置module函数或函数。

#connect to object 
data = open('.../Emails', 'r')

#build empty dataframe
import pandas as pd
df = pd.DataFrame()

#function to read lines of the object and put pieces of text into the
# correct column of the dataframe
for line in data:
     n = data.readline()
    if n.startswith("email_message#:"):
        #put a slice of the text into a dataframe
    elif n.startswith("email_message_sent:"):
        #put a slice of the text into a dataframe
    elif n.startswith("From:"):
        #put slices of the text into a dataframe
    elif n.startswith("To:"):
        #put slices of the text into a dataframe

Answer 1

我不知道绝对最好的方法。你肯定不会忽视一个明显的单行，这可能会让你放心。

看起来您当前的解析器（称为my_parse）执行所有处理。在伪代码中：

finished_df = my_parse(original_text_file)

然而，对于如此大的文件，这有点像使用镊子飓风后的清理。两阶段解决方案可能更快，您首先将文件粗略地整理到您想要的结构中，然后使用pandas系列操作来优化其余部分。继续伪代码，您可以执行以下操作：

rough_df = rough_parse(original_text_file)
finished_df = refine(rough_df)

rough_parse使用Python标准库的内容，refine使用pandas系列操作，尤其是Series.str methods。

我建议rough_parse的主要目标只是实现一个电子邮件 - 一行结构。所以基本上你会通过某种独特的分隔符替换所有换行符，这些分隔符在"$%$%$"等文件中没有出现，除非换行符后的下一个内容是"email_message#:"

然后，Series.str真的很擅长将你想要的其他字符串拼凑起来。

Answer 2

我无法抗拒痒，所以这是我的方法。

from __future__ import unicode_literals

import io

import pandas as pd
from pandas.compat import string_types


def iter_fields(buf):
    for l in buf:
        yield l.rstrip('\n\r').split(':', 1)


def iter_messages(buf):
    it = iter_fields(buf)
    k, v = next(it)
    while True:
        n = int(v)
        _, v = next(it)
        date = pd.Timestamp(v)
        _, v = next(it)
        from_add, from_name, from_comp = v.split('|')[:-1]
        k, v = next(it)
        to = []
        while k == 'To':
            to_add, to_name, to_comp = v.split('|')[:-1]
            yield (n, date, from_add[1:], from_name[1:-1], from_comp,
                   to_add[1:], to_name[1:-1], to_comp)
            k, v = next(it)

    if not hasattr(filepath_or_buffer, read):
        filepath_or_buffer


def _read_email_headers(buf):
    columns=['email_message#', 'email_message_sent',
             'from_address', 'from_name', 'from_company',
             'to_address', 'to_name', 'to_company']
    return pd.DataFrame(iter_messages(buf), columns=columns)


def read_email_headers(path_or_buf):
    close_buf = False
    if isinstance(path_or_buf, string_types):
        path_or_buf = io.open(path_or_buf)
        close_buf = True
    try:
        return _read_email_headers(path_or_buf)
    finally:
        if close_buf:
            path_or_buf.close

这就是你如何使用它：

df = read_email_headers('.../data_file')

只需使用您文件的路径调用它，即可获得数据框。

现在，以下内容仅供测试之用。你不会这样做来处理现实生活中的实际数据。

由于我（或随机的StackOverflow阅读器）没有文件的副本，我必须使用字符串伪造它：

text = '''email_message#: 1
email_message_sent: 10/10/1991 02:31:01
From: tomf@abc.com| Tom Foo |abc company|
To: adee@abc.com| Alex Dee |abc company|
To: benfor12@xyz.com| Ben For |xyz company|
email_message#: 2
email_message_sent: 10/12/1991 01:28:12
From: timt@abc.com| Tim Tee |abc company|
To: tomf@abc.com| Tom Foo |abc company|
To: adee@abc.com| Alex Dee |abc company|
To: benfor12@xyz.com| Ben For|xyz company|'''

然后我可以创建一个类似文件的对象并将其传递给函数：

df = read_email_headers(io.StringIO(text))
print(df.to_string())

   email_message#  email_message_sent  from_address from_name from_company        to_address   to_name   to_company
0               1 1991-10-10 02:31:01  tomf@abc.com   Tom Foo  abc company      adee@abc.com  Alex Dee  abc company
1               1 1991-10-10 02:31:01  tomf@abc.com   Tom Foo  abc company  benfor12@xyz.com   Ben For  xyz company
2               2 1991-10-12 01:28:12  timt@abc.com   Tim Tee  abc company      tomf@abc.com   Tom Foo  abc company
3               2 1991-10-12 01:28:12  timt@abc.com   Tim Tee  abc company      adee@abc.com  Alex Dee  abc company
4               2 1991-10-12 01:28:12  timt@abc.com   Tim Tee  abc company  benfor12@xyz.com    Ben Fo  xyz company

或者，如果我想使用实际文件：

with io.open('test_file.txt', 'w') as f:
    f.write(text)

df = read_email_headers('test_file.txt')
print(df.to_string())  # Same output as before.

但是，再次你不必这样做就可以将这个功能与你的数据一起使用。只需用文件路径调用它即可。

将文本格式的数据读入Python Pandas数据帧

2 个答案: