Question

我正在尝试在Python中导入类似于下面报告的文本文件。

+ CATEGORY_1 first_part of long attribute <NAME_a>
|     ...second part of long attribute
|    + CATEGORY_2: a sequence of attributes that extend over 
|    |     ... possibly many <NAME_b>
|    |     ... lines
|    |    + SOURCE_1 => source_code 
|    + CATEGORY_2: another sequence of attributes that extend over <NAME_c>
|    |     ... possibly many lines
|    |    + CATEGORY_1: yet another sequence of <NAME_d> attributes that extend over
|    |    |     ...many lines 
|    |    |    + CATEGORY_2: I really think <NAME_e> that
|    |    |    |     ... you got the point 
|    |    |    |     ... now
|    |    |    |    + SOURCE_1 => source_code 
|    + SOURCE_2 => path_to_file

假设我可以轻松识别由＆lt; ...＆gt;

分隔的对象名称

我的理想输出是Python字典，它反映了txt文件的层次结构，例如：

{NAME_a : {'category' : CATEGORY_1,
           'depencencies' : {NAME_b : {'category' : CATEGORY_2,
                                       'source_type' : SOURCE_1,
                                       'source_code' : source_code}
                             NAME_c : {'category' : CATEGORY_2,
                                       'dependencies' : { NAME_d : {'category' : CATEGORY_1,
                                                                    'dependencies' : NAME_e : {'category' : CATEGORY_2,
                                                                                               'source_type' : SOURCE_1,
                                                                                               'source_code' : source_code}
                                                                    }
                                                        }           
            'source_type' : SOURCE_2,
            'source_code : path_to_file
           }
}

认为这里的主要思想是在行开始之前计算制表符的数量，这将决定层次结构。我试着看看pandas read_fwf和numpy loadfromtxt，但没有任何成功。你能指点我解决这个问题的相关模块或策略吗？

Answer 1

不是一个完整的答案，但你可以使用堆栈的方法。

每次输入类别时，都会将类别键推送到堆栈。然后你读取该行，检查标签的数量并存储。如果级别与先前级别相同或更高，则从堆栈中弹出项目。然后你只需要基本的正则表达式来提取项目。

一些Python /伪代码，所以你可以有一个想法

levels = []
items = {}
last_level = 0

for line in file:
   current_level = count_tabs()
   if current_level > last_level:
      name = extract_name(line)
      levels.append(name)
      items = fill_dictionary_in_level(name, line)
   else:
      levels.pop()
   last_level = current_level

return items

Answer 2

这是一个策略：

对于每一行，使用RegEx来解析该行并提取数据。

这是草稿：

import re

line = "|    + CATEGORY_2: another sequence of attributes that extend over <NAME_c>"

level = line.count("|") + 1
mo = re.match(r".*\+\s+(?P<category>[^:]+):.*<(?P<name>[^>]+)>", line)
category = mo.group("category")
name = mo.group("name")

print("level: {0}".format(level))
print("category: {0}".format(category))
print("name: {0}".format(name))

你得到：

level: 2
category: CATEGORY_2
name: NAME_c

固定宽度文本文件到python字典

2 个答案: