Question

嗨，我的文本文件包含很多行，如下所示：

224：

وأماأبوحلوهفكانلهقدروماتبالبصرة。

 Trigger: مات  Victim:أبو حلوه ,  Agent:,  Place: البصرة ,  Time:

225：

بنزيدبنأصرمبنزيدبنععرببنتمسعودبنقيسبنعمروبنزيد。 وشهدبدراواحداوالخشدقوالمشاهدكلهامعرسولالله。图片。 وتوفيفيخلافةعثمانبنعفان。 رضياللهعنه。 وليسلهعقب

 Trigger: توفي  Victim: رضي الله ,  Agent:,  Place:,  Time: في خلافة عثمان بن عفان

226：

وأخذتشيئا，فضربتبه，فشجته。 فقامذليلا。 فواللهماعاشإلاسبعليال，حتىرماهاللهبالعدسة，فقتلته。 ولقدتركحتىأنتن。 وعذلابناهفيذلك，（چاپزكار，ج2，ص：120）فصباعليهالماءومامساه，ودفنبأعلىمكةإلىجتقل。 وماتأبورافعبعدخلافةع

 Trigger: قتلته  Victim:مرجع ضمير متصل به قتلته(الله ),  Agent:,  Place:العدسة,  Time:بعد  خلافة    226:Trigger: دفن,  Victim:,  Agent:,  Place:أعلي,  Time:بعد  خلافة      226:Trigger: مات,  Victim:أبو رافع ,  Agent:,  Place:,  Time:بعد  خلافة

并且我想读取此文本文件并将其编码为具有以下列的csv文件：

text, Trigger, Victim, Agent, Place, Time

我尝试以下代码：

text_file = open("myfile.txt", "r")
lines = text_file.readlines()
desired_lines = lines[1::4]
desired_lines2 = lines[3::4]
for l in desired_lines:
    print l
for l2 in desired_lines2:
    print l2

但不会返回适当的结果。

Answer 1

您要达到的目标要比起排队要复杂得多。尤其是与您的CSV格式似乎确实不一致的情况。

我用正则表达式实现了一个“虚拟”解析器，这应该为您的文件其余部分奠定坚实的基础：

import re
from collections import defaultdict

result = defaultdict(dict)

with open('a.txt', 'r') as f:
    for line in filter(None, (line.rstrip() for line in f)):
        if len(line) and re.search(r'^[0-9]+(:)', line):  # detect "225:" like patterns
            new_section = True
            current_id = line.split(':')[0]
            print('id : {}'.format(current_id))
            continue

        elif new_section:
            result[current_id]['text'] = line
            print("text : {}".format(line))
            new_section = False
        else:
            mappings = filter(None, (line.rstrip() for line in line.split(',')))
            first_mapping = mappings[0]

            # match the substring until V letter
            p = re.compile("^(.*)V")
            trigger_str = p.search(first_mapping).group(1)

            # get the remaining part of the stirng
            value_str = first_mapping[len(trigger_str):]
            mappings = [trigger_str, value_str] + mappings[1:]

            for mapping in mappings:
                key, value = mapping.split(':')[:2]
                print('{}: {}'.format(key, value))
                result[current_id][key] = value

print result

输出：

id : 224
text : و أما أبو حلوه فكان له قدر و مات بالبصرة.
Trigger:  مات  
Victim: أبو حلوه
  Agent: 
  Place:  البصرة
  Time: 
id : 225
text : بن زيد بن أصرم بن زيد بن ثعلبة بن غنم و أمه عمرة بنت مسعود بن قيس بن عمرو بن زيد. و شهد بدرا واحدا و الخندق و المشاهد كلها مع رسول الله. ص. و توفي في خلافة عثمان بن عفان. رضي الله عنه. و ليس له عقب
Trigger:  توفي  
Victim:  رضي الله
  Agent: 
  Place: 
  Time:  في خلافة عثمان بن عفان
id : 226
text : و أخذت شيئا، فضربت به، فشجته. فقام ذليلا. فو الله ما عاش إلا سبع ليال، حتى رماه الله بالعدسة، فقتلته. و لقد ترك حتى أنتن. و عذل ابناه في ذلك،(چاپ‏زكار،ج‏2،ص:120) فصبا عليه الماء و ما مساه، و دفن بأعلى مكة إلى جدار، و قذفوا عليه الحجارة حتى واروه بها. و مات أبو رافع بعد خلافة ع
Trigger:  قتلته  
Victim: مرجع ضمير متصل به قتلته(الله )
  Agent: 
  Place: العدسة
  Time: بعد  خلافة

读取基于特定格式的文本文件行

1 个答案: