Question

我想从较大的文本中提取信息（文本）的某些特定部分，然后根据需要的格式将其导出。下面是一个示例

#Input
text={ Line 1: sergefdsgwerh Date is 10,29,2017
       Line 2aergsdfgsdfgasfdhgfasd
       Line 3: company Microsoft}

# Output
exported_text={ D 10 29 2017 C Microsoft}

x = []
with open("myfile.txt") as file:
    for l in file:
        x.append(l.strip())

X=[gives my lines as list item]

Answer 1

我会考虑三种不同的方式来实现您要执行的操作，具体取决于您的输入内容以及是否要在多段文本上进行输入。

对于以下示例，假设您的输入是这样的：

text = "Line 1: sergefdsgwerh Date is 10,29,2017\nLine 2aergsdfgsdfgasfdhgfasd\nLine 3: company Microsoft"

首先，如果您只有一段文字，或者您输入的内容始终采用完全相同的格式，则可以使用以下基本字符串操作轻松检索需要的信息部分Python。

要编写一个有效的示例，您可以使用以下方法获得所需的内容：

date = text.replace("\n", " ").split(" ")[5].replace(",", " ")
company = text.replace("\n", " ").split(" ")[-1]
output_text = "D "+date+" C "+company

print(output_text)

# > D 10 29 2017 C Microsoft

请注意，我们在这里使用了许多函数（有很多资源只是为了更好地了解这些函数，如果您不熟悉这些字符串操作，我建议您研究一下它们）：

text.replace("\n", " ")在整个字符串中用空格："\n"替换跳过行字符串：" "字符串
text.split(" ")将字符串拆分为一个列表，每当遇到空格" "时都会进行拆分
等...

第二，如果您输入的格式在每次输入之间仅相差很小（例如，公司名称始终写在“公司”一词之后），可能的事情是使用regex库。如果要隔离公司名称，请使用以下实例。有多种方法可以使用regex在这里做您想做的事情，所以我将不做进一步的详细介绍：

company = re.search(r'company (\S+)', text)

print(company.group(1))

# > Microsoft

最后，如果您的输入不断变化，如果您是Python的新手，那么您想要做的事情要复杂得多，并且很难解释。但是，值得注意的是，仍然可以使用命名实体识别来实现，例如，可以使用SpaCy（here）库来实现。

也就是说，鉴于您输入的内容看起来像，使用此类库中的标准模型不会有多大帮助（因为它们是在有意义的文本的实际实例上进行训练的），因此您需要进行训练适合您特定用途的模型...

提取文本的一部分并将其格式化为Python？

1 个答案: