Question

我从pdf中删除了一些数据。它的数据几乎与XML类似，看起来像这样 "(1) Data-field-1 (3) Data-field-3 (5) Data-field-5; (1) Data-field-1 (2) Data-field-2 (3) Data-field-3 (5) Data-field-5; ; (2) Data-field-2 (3) Data-field-3 (5) Data-field-5 (6) Data-field-6;"等

因此，对于每个条目，数据字段以（x）开头。通常，条目以分号（;）结尾，但数据字段中通常有分号，因此我不能将其用作分隔符。新记录已启动的唯一指示符是start标记中的整数小于之前的整数。标签是从1到6.我想尝试获取字典字典，所以看起来类似于JSON，例如。

{'Row1':{1 : 'Data-field-1', 3 : 'Data-field-3', 5 : 'Data-field-5'},'Row2': {1: 'Data-field-1', 2: 'Data-field-2', 3: 'Data-field-3' 5: 'Data-field-5'},Row3': { 2: 'Data-field-2' ,3: 'Data-field-3' ,5: 'Data-field-5',6: 'Data-field-6'}，等

尝试在python中使用正则表达式来执行此操作，这是我的最后一段代码比赛中的比赛：

inner_dict={}
    test=filter(None, re.split(";", match))
    print test
    for i,x in enumerate(test):
        if i==0 :
            inner_dict[1]=x
        else:
            y=re.findall('\((\d)\)',x)[0]
            inner_dict[y]=re.findall('\(\d\)\s(.+)',x)[0]
    outer_dict[n]=inner_dict
    n+=1

但由于数据字段中存在额外的分号，因此只是追溯错误（列表索引超出范围）有关如何做得更好的任何想法？

Answer 1

我会首先编写一个解析器并读取该项的原始数据项，然后我将决定如何处理该项：

（1）数据字段-1 - ＆GT;第一项 - ＆gt;在dict中创建新条目并附加...

（3）数据字段-3 - ＆GT;下一项 - ＆gt;在条目中附加

（5）数据字段-5; - ＆GT;下一项 - ＆gt;在条目中附加

（1）数据字段-1 - ＆GT;下一项=新行 - ＆gt;创建一个新条目并追加......

也许这有帮助...

准xml提取2个开始标记之间的文本

1 个答案: