Question

声明：

我可能会问这个问题＆＃34;错误的方式＆＃34; - 我还是新人编程，所以我可能缺乏正确的术语和理解正确地提出问题。对不起，如果我上午。
我知道你不能用正则表达式解析[X] HTML。我没有解析它。我只是匹配一个字符串来获取该字符串的行数。
我已经尝试了lxml和iter()，以及iterparse()，我已经尝试了this way和this way。它对我没有用。我这样做。
我知道这里的代码效率不高（每次调用函数时专门编译正则表达式） - 我已经像这样重写它以提供＆＃34;所需的最少代码＆＃ 34;提出这个问题，加上它让我更容易理解我想要实现的目标。

一路走来;这段代码可以工作并完成我想要它做的事情，这基本上是采用一大堆xml记录并将其转换为{ record_id : {element_tag : element_val, element_tag : element_val, ...} }形式的字典。

由于record_id嵌套在记录本身中，我首先使用record_splitter来确定<RECORD>和</RECORD>（beg和end的计数}）。我将beg和end传递给找到这些位置的dic_factory，对嵌套在其中的元素执行某些操作，然后设置“乞讨”。到end +1，然后将其传回record_splitter函数。

我的问题是否有更好的方法在函数之间实现此循环，最好是在if __name__ == '__main__'下，以便我可以移动更多的常量（例如正则表达式语句）那也是。

Code:
    # stored as a text file, but here for clarity

    list_of_lines = """
    <RECORD>
      <TITLE>MISS</TITLE>
      <NAME>ELIZABETH</NAME>
      <SURNAME>II</SURNAME>
      <ADDRESS1>1 BUCKINGHAM PALACE</ADDRESS1>
      <ADDRESS2>LONDON</ADDRESS2>
      <ADDRESS3>GREATER LONDON</ADDRESS3>
      <POST_CODE>W1 11A</POST_CODE>
      <CASE_NUM>Q1QQ1234</CASE_NUM>
      <ID>32145698</ID>
      <LAST_UPDATE_DATE>2016-12-12</LAST_UPDATE_DATE>
     </RECORD>
     <RECORD>
      <TITLE>MR</TITLE>
      <NAME>PRINCE</NAME>
      <SURNAME>PHILLIP</SURNAME>
      <ADDRESS1>1 BUCKINGHAM PALACE</ADDRESS1>
      <ADDRESS2>LONDON</ADDRESS2>
      <ADDRESS3>GREATER LONDON</ADDRESS3>
      <POST_CODE>W1 11A</POST_CODE>
      <CASE_NUM>K5KK4321</CASE_NUM>
      <ID>56987412</ID>
      <LAST_UPDATE_DATE>2017-01-16</LAST_UPDATE_DATE>
     </RECORD>
     <RECORD>
    """

class recordManager:

    def __init__(self):
        self.r_location = "list_of_lines.txt"

    def record_splitter(self, beg):

        re_beg_spl = re.compile(".*<RECORD>")
        re_end_spl = re.compile(".*(<\\/RECORD>)")

        end = None

        for count, line in enumerate( open(self.r_location) ):
            if count > beg:
                if re_end_spl.match(line):
                    end = count

                    if not re_end_spl.match(line):
                        if re_beg_spl.match(line):
                            beg = count
                    else:
                        break

                    recordManager.dic_factory(self, beg, end)


    def dic_factory(self, beg, end):

        re_casenum = re.compile(".*<CASE_NUM>(.*)<\\/CASE_NUM>")
        re_tag_val = re.compile(".*<(\\w*)>(.*)<.*")

        id_ = None
        tags = []
        vals = []

        for count, line in enumerate( open(self.r_location) ):

            if beg < count < end:
                if re_casenum.match(line):
                    m = re_casenum.match(line)
                    id_ = m.group(1)

                if re_tag_val.match(line):
                    m = re_tag_val.match(line)
                    tags.append( m.group(1) )
                    vals.append( m.group(2) )

        beg = end +1
        print {id_ : dict(zip(tags, vals)) }
        # {32145698 : {'POST_CODE': 'W1 11A', 'SURNAME': 'II', 'NAME': 'ELIZABETH', 'TITLE': 'MISS', 'ADDRESS1': '1 BUCKINGHAM PALACE', 'ADDRESS2': 'LONDON', 'ADDRESS3': 'GREATER LONDON', 'RECORD_TYPE': '1', 'CASE_NUM': 'Q1QQ1234', 'LAST_UPDATE_DATE': '2016-12-12', 'ID': '32145698'}}

        self.record_splitter(beg)


if __name__ == '__main__':
    inst_fol = record_manager(file)
    recordManager.record_splitter(inst_folder, 0)

我的问题是，我不知道如何循环“乞讨”。返回到函数之外的record_splitter /来自 main ：

if __name__ == '__main__':
    inst_fol = record_manager(file)
    beg, end = recordManager.record_splitter(inst_folder, 0)

这是＆＃34;从函数内循环＃34;如果不是，那么更好的方法是什么？

Answer 1

tl; dr：用self.beg替换beg

我的建议是让beg成为你班上的一个字段。请记住，您使用的每种方法都可以访问self，这是将该工作组织到一个类中的优势的一部分：

所以__init__变为：

    def __init__(self):
    self.r_location = "list_of_lines.txt"
    self.beg = 0

现在，无论您在哪里使用beg，都可以将其称为self.beg。

例如：

        for count, line in enumerate( open(self.r_location) ):
        if count > self.beg:
            if re_end_spl.match(line):
                end = count

                if not re_end_spl.match(line):
                    if re_beg_spl.match(line):
                        self.beg = count
                else:
                    break

                recordManager.dic_factory(self, self.beg, end)

请注意，还有进一步整合的机会： dic_factory将beg作为参数，但它也可以访问对象self，并且只能从该字段读取beg。

Answer 2

我建议您在同一个迭代器上使用嵌套循环而不是单独的函数。（评论中的详细信息）..

class recordManager:

    def __init__(self):
        self.r_location = "list_of_lines.txt"
        self.records = [] #perhaps we want to store all the records we find?

    def find_records(self):

        re_beg_spl = re.compile(".*<RECORD>")
        re_end_spl = re.compile(".*(<\\/RECORD>)")
        re_casenum = re.compile(".*<CASE_NUM>(.*)<\\/CASE_NUM>") #move these up here since we're rolling the two functions into one
        re_tag_val = re.compile(".*<(\\w*)>(.*)<.*")

        with open(self.r_location) as f: #use the "with open() as f:" idiom to ensure file gets closed when you're done with it
            for line in f: #iterating over an open file defaults to line by line and we won't need line number with the nested loop approach
                if re_beg_spl.match(line): #start a new record
                    tags = {} #container for element tags and values
                    case = '' #case number for this record
                    for line in f: #re-use iterator for inner loop so lines are consumed (outer loop will pick up where inner loop leaves off)
                        match_case = re_casenum.match(line)
                        match_elem = re_tag_val.match(line)
                        match_end = re_end_spl.match(line)
                        if match_case:
                            case = match_case.group(1) #are match groups 1 or 0 indexed? I didn't look it up..
                        elif match_elem:
                            tags[match_elem.group(1)] = match_elem.group(2)
                        elif match_end: #end of a record -- save info and break out of inner loop
                            caseinfo = {case: tags}
                            print(caseinfo)
                            self.records.append(caseinfo)
                            break

使用这种方法限制了对有效全局变量的需求（使用对象的属性来传递状态），这会在程序上强制执行更多结构（并使其更简单）。这也消除了您已经检查过的线路的重新循环，并多次重新读取文件（如果您有机械硬盘驱动器，这可能是您的速度限制因素）。我没有在结构中包含任何可能的中断检查（例如，缺少结束标记或id标记）但是它们可以以相当简单的方式添加。

循环函数直到失败的最佳方法是什么？

2 个答案: