如何解析标记文本以便后续处理？
请查看更新后的输入和输出数据，见编辑-1。
我想要做的是把
+ 1 + 1.1 + 1.1.1 - 1.1.1.1 - 1.1.1.2 + 1.2 - 1.2.1 - 1.2.2 - 1.3 + 2 - 3
转换成一个Python的数据结构，比如说
[{'1': [{'1.1': {'1.1.1': ['1.1.1.1', '1.1.1.2']}, '1.2': ['1.2.1', '1.2.2']}, '1.3'], '2': {}}, ['3',]]
我看过很多不同的维基标记语言、Markdown、重构文本等等，但这些对我来说都太复杂了，难以理解它们是怎么工作的，因为它们需要涵盖很多标签和语法（其实我只需要这些语言中的“列表”部分，但当然是要转换成Python格式，而不是HTML）。
我也看过一些分词器、词法分析器和解析器，但这些同样比我需要的复杂多了，我也理解不了。
我完全不知道该从哪里开始，希望能得到一些帮助。谢谢！
编辑-1: 是的，行首的字符很重要，从之前和现在的输出要求来看，*表示一个有子节点的根节点，+表示有子节点，而-表示没有子节点（无论是根节点还是其他节点），只是与该节点相关的额外信息。*并不是很重要，可以用+替代（我可以用其他方法来判断根节点的状态）。
因此新的要求是只用*来表示有或没有子节点的节点，而-不能有子节点。我还改了这个规则，节点的关键不再是*后面的文本，因为这个文本以后肯定会变成实际的标题。
例如
* 1 * 1.1 * 1.2 - Note for 1.2 * 2 * 3 - Note for root
会得到
[{'title': '1', 'children': [{'title': '1.1', 'children': []}, {'title': '1.2', 'children': []}]}, {'title': '2', 'children': [], 'notes': ['Note for 1.2', ]}, {'title': '3', 'children': []}, 'Note for root']
如果你有其他想法来在Python中表示这个大纲，请提出！
4 个回答
因为你在处理一个大纲的情况，所以可以用一个栈来简化事情。简单来说，你需要创建一个栈，里面存放与大纲深度对应的 dict（字典）。当你解析到一行新内容，发现大纲的深度增加了，就把一个新的 dict 推入栈中，这个新字典是由栈顶的上一个 dict 引用的。当你解析到一行深度变浅的内容时，就把栈顶的内容弹出，回到上一级。遇到深度相同的行时，就把它添加到栈顶的 dict 中。
栈是一种非常有用的数据结构，特别是在解析树形结构的时候。你可以把从最后添加的节点到根节点的路径一直保存在栈里，这样就能通过缩进的长度找到正确的父节点。像下面这样的代码应该能帮助你解析你最后的例子：
import re
line_tokens = re.compile('( *)(\\*|-) (.*)')
def parse_tree(data):
stack = [{'title': 'Root node', 'children': []}]
for line in data.split("\n"):
indent, symbol, content = line_tokens.match(line).groups()
while len(indent) + 1 < len(stack):
stack.pop() # Remove everything up to current parent
if symbol == '-':
stack[-1].setdefault('notes', []).append(content)
elif symbol == '*':
node = {'title': content, 'children': []}
stack[-1]['children'].append(node)
stack.append(node) # Add as the current deepest node
return stack[0]
编辑: 感谢澄清和规范的变化，我对我的代码进行了修改，依然使用一个明确的 Node 类作为中间步骤，以便更清楚地理解。逻辑是将行列表转换为节点列表，然后再将节点列表转换为树（通过适当地使用它们的缩进属性），最后以可读的形式打印出这棵树（这只是一个“调试帮助”步骤，用来检查树是否构建得很好，当然在脚本的最终版本中可以注释掉——而且，当然，最终版本会从文件中读取行，而不是硬编码用于调试！），最后构建所需的Python结构并打印出来。以下是代码，接下来我们会看到结果与提问者的要求 几乎 一致，只有一个例外——不过，先看代码:
import sys
class Node(object):
def __init__(self, title, indent):
self.title = title
self.indent = indent
self.children = []
self.notes = []
self.parent = None
def __repr__(self):
return 'Node(%s, %s, %r, %s)' % (
self.indent, self.parent, self.title, self.notes)
def aspython(self):
result = dict(title=self.title, children=topython(self.children))
if self.notes:
result['notes'] = self.notes
return result
def print_tree(node):
print ' ' * node.indent, node.title
for subnode in node.children:
print_tree(subnode)
for note in node.notes:
print ' ' * node.indent, 'Note:', note
def topython(nodelist):
return [node.aspython() for node in nodelist]
def lines_to_tree(lines):
nodes = []
for line in lines:
indent = len(line) - len(line.lstrip())
marker, body = line.strip().split(None, 1)
if marker == '*':
nodes.append(Node(body, indent))
elif marker == '-':
nodes[-1].notes.append(body)
else:
print>>sys.stderr, "Invalid marker %r" % marker
tree = Node('', -1)
curr = tree
for node in nodes:
while node.indent <= curr.indent:
curr = curr.parent
node.parent = curr
curr.children.append(node)
curr = node
return tree
data = """\
* 1
* 1.1
* 1.2
- Note for 1.2
* 2
* 3
- Note for root
""".splitlines()
def main():
tree = lines_to_tree(data)
print_tree(tree)
print
alist = topython(tree.children)
print alist
if __name__ == '__main__':
main()
运行时，这将输出:
1
1.1
1.2
Note: 1.2
2
3
Note: 3
[{'children': [{'children': [], 'title': '1.1'}, {'notes': ['Note for 1.2'], 'children': [], 'title': '1.2'}], 'title': '1'}, {'children': [], 'title': '2'}, {'notes': ['Note for root'], 'children': [], 'title': '3'}]
除了键的顺序（这在字典中是无关紧要的，当然也没有保证）之外，这 几乎 符合要求——只是这里 所有 的备注都作为字典条目出现，键是 notes，值是一个字符串列表（但如果列表是空的，备注条目会被省略，这大致与问题中的示例相同）。
在当前版本的问题中，如何表示备注稍微有些不清楚；一个备注作为独立字符串出现，其他的则作为值为字符串的条目（而不是我使用的字符串列表）。不清楚是什么决定了在一种情况下备注必须作为独立字符串出现，而在其他情况下作为字典条目出现，所以我使用的这个方案更为规范；如果一个备注（如果有的话）是单个字符串而不是列表，那是否意味着如果一个节点出现多个备注就是错误的？在这方面，我使用的方案更为通用（允许一个节点有任意数量的备注，从0个开始，而不是显然在问题中暗示的只有0或1个）。
写了这么多代码（编辑前的回答差不多也是这么长，并帮助澄清和修改了规范）来提供（我希望）99% 的期望解决方案，我希望这能让原提问者满意，因为最后几处代码和/或规范的调整应该对他来说很简单！