Question

我正在尝试从大型非结构化文本文件（每个文件1,000,000至15,000,000行）中提取数据元素，而没有一致的定界符。数据元素的顺序是一致的。

Sample data:

  NAME    FIRSTNAME LASTNAME    DATE-OF-BIRTH        01/01/2019   ID-NUMBER  123     
  ADDRESS-1  1234 FAKE STREET                        COUNTY-CODE    123                             
  ADDRESS-2                                                                            
  CITY       NOWHERE                STATE   OH   ZIP  12345                            
RANDOM DATA .... 700+ LINES
  NAME  FIRSTNAME2 LASTNAME2    DATE-OF-BIRTH        01/01/2019   ID-NUMBER 4567    
  ADDRESS-1           123456 OTHER STREET            COUNTY-CODE  45678                                  
  ADDRESS-2                                                                            
  CITY      SOMEWHERE               STATE   MI   ZIP  65432                            
RANDOM DATA .... 700+ LINES

我正在寻找一种使用以下几个字段的值创建CSV输出的方法：

NAME, COUNTY-CODE, ZIP
FIRSTNAME LASTNAME, 123, 12345
FIRSTNAME2 LASTNAME2, 45678, 65432

数据不是制表符分隔的，并且间距会有所不同。任何帮助将不胜感激！

Answer 1

问题与发现的in other SO question非常相似。

解决方案是构造部分语法，该语法分析已识别构造的结构，同时跳过无法识别的内容。

在您的情况下，使用textX可能会导致以下问题（我尚未测试过，但您了解了图片）：

from textx import metamodel_from_str

mm = metamodel_from_str(r'''
    File: ( /(?s:.*?(?=NAME))/ persons*=Person | 'NAME' )*
          /(?s).*/;

    Person:
        'NAME' first_name=Name last_name=Name birth_date=Date
        'ADDRESS-1' address_1=UntilEOL
        'ADDRESS-2' address_2=UntilEOL
        'CITY' city=UntilEOL
    ;

    Name: /\w+/;
    Date: /\d{4}-\d{2}-\d{2}/;
    UntilEOL[noskipws]: /.*?\n/;
''')

data_model = mm.model_from_file('some_input_file.txt')

# Here data_model is an object with attribute `persons`
# where each person have attributes `first_name`, `last_name`, ...
# from the `Person` rule above.

注意：此解决方案假定结构部分的开头必须具有关键字NAME，但是可以在规则Person的无效解析中在随机数据中找到该关键字解析器将使用单词NAME并继续。

根据您的实际数据，您必须稍微调整语法（例如特定的正则表达式）。

Answer 2

嗯...

我假设您有一束线，每行包含成对的ID VALUE，并且每个 chunk 都以ID NAME开头。

因此，我将使用re模块来搜索预期的模式，即NAME的出现开始了一个新元素。由于真实的名字和姓氏可以使用多个单词（约翰·菲茨杰拉德·肯尼迪），因此我认为NAME是介于NAME和DATE-OF-BIRTH之间的所有内容。

恕我直言，一种简单的方法是在解析行时构建字典，并在到达NAME时以及文件末尾使用DictWriter编写字典。如果发现一个以上的关键字，我只会保留每个关键字的第一个出现的位置，但您也可以提出一个例外。

代码可能是

import re
import csv

# prepare the patterns to search for
name = re.compile(r"NAME\s+(.*)\s+DATE")
zip_code = re.compile(r"ZIP\s*([0-9]+)")
county_code = re.compile(r"COUNTY-CODE\s*([0-9]+)")

with open("input.txt") as fdin, open("output.csv", newline='') as fdout:
    wr = csv.DictWriter(fdout, fieldnames=['NAME', 'COUNTY-CODE', 'ZIP'])
    elt = {}
    wr.writeheader()
    for line in fdin:
        # process NAME
        mx = name.search(line)
        if mx:
            if elt:                    # write previous dict if any
                wr.writerow(elt)
            elt = {'NAME': mx.group(1).strip()}   # initialize a new dict
        # process other keywords
        if not 'COUNTY-CODE' in elt:              # only keep first one
            mx =  county_code.search(line)
            if mx:
                elt['COUNTY-CODE'] = mx.group(1).strip()   # update the dict with it
        if not 'ZIP' in elt:
            mx = zip_code.search(line)
            if mx:
                elt['ZIP'] = mx.group(1)
    wr.writerow(elt)                                # don't forget last dict

使用Python从大型非结构化文本文件中提取数据元素

2 个答案: