Python处理文本文件的这些标准

Question

我正在尝试清理一个文本文件，按照一些标准来处理。

我的文本内容是这样的：

NHIST_0003 (ZS.MC.BGE.0424SPVCOS) (21.12) 14.08
(ZS.MC.BLK.0424SPVCOS) (21.12) 14.08
(ZS.MC.GRY.0424SPVCOS) (21.12) 14.08
(ZS.MC.BLK.0525SPVCOS3) (21.12) 14.08
(ZS.MC.GRY.0525SPVCOS2) (21.12) 14.08
NHIST_0004 (ZS.MC.BGE.0424SPVCOS) (21.12) 14.08

我需要做的是：如果一行的开头有任何文本，就把第一个“（”之前的所有文本都删掉，同时也要去掉我想保留的文本中的括号。我还需要去掉那些带括号的数字。看第一行，我只想保留：

ZS.MC.BGE.0424SPVC0S 14.08

这些是我尝试整理内容时写的代码。我希望不使用正则表达式，因为对我来说这太复杂了。

fileName='reach.txt'
fileName2='outreach.txt'


while True:
    f=open(fileName,'r')
    for words in f:
        x=words.split('(', 1)[-1]
        g = open(fileName2,'w')
        g.write(x)
        g.close()

这个循环是无限的。我以为关闭文件就能告诉系统停止处理行。

Answer 1

blacklist = set('1234567890.')
with open('reach.txt') as infile, open('outreach.txt', 'w') as outfile:
    for line in infile:
        line = line.strip()
        if not line:
            continue
        _left, line = line.split("(", 1)
        parts = [p.rstrip(")").lstrip("(") for p in line.split()]
        parts = [p for i,p in enumerate(parts) if not all(char in blacklist for char in p) or i==len(parts)-1]
        outfile.write("%s\n" %(' '.join(parts)))

根据你的例子 reach.txt，我得到了

ZS.MC.BGE.0424SPVCOS 14.08
ZS.MC.BLK.0424SPVCOS 14.08
ZS.MC.GRY.0424SPVCOS 14.08
ZS.MC.BLK.0525SPVCOS3 14.08
ZS.MC.GRY.0525SPVCOS2 14.08
ZS.MC.BGE.0424SPVCOS 14.08

Answer 2

你可以试试用正则表达式，如果每一行都有类似 (你想要的代码) (你不想要的东西) 的格式。

import re
infile = 'reach.txt'
outfile = 'outreach.txt'

with open(infile, 'r') as inf, open(outfile, 'w') as outf:
    for line in inf:
        # each line has "* (what you want) (trash) *"
        # always take first one
        first = re.findall("(\([A-z0-9\.]*\))", line)[0]

        items = line.strip().split(" ")
        second = line[-1]
        to_write = " ".join((first, second))
        outf.write(to_write + "\n")

这个正则表达式 "(\([A-z0-9\.]*\))" 可以匹配任何组合（用 [ ]* 表示）：

• 字母 (A-z)，
• 数字 (0-9)，还有
• 小数点 (\.)

这些内容必须在括号内 (\( \))。

根据你的例子，结果总会有两个匹配项，像 ZS.MC.BLK.0424SPVCOS 和 21.12。使用 re.findall 可以找到这两个，顺序是你给的那样。因为你想要的那个总是第一个，所以可以用 re.findall(regex, line)[0] 来获取它。

Answer 3

fileName='reach.txt'
fileName2='outreach.txt'

def isfloat(s):
    try:
        float(s)
        return True
    except ValueError:
        return False

g = open(fileName2, 'w')
with open(fileName, 'r') as fh:
    for row in fh:
        x = row.split()
        for item in x:
            if '(' in item and ')' in item:
                first = item.strip('()')
                break
        for i in range(-1, 0-len(x), -1):
            second = x[i]
            if isfloat(second):
                break
        print(first, second)
        g.write(' '.join((first, second)) + '\n')
g.close()

这样就好了：

ZS.MC.BGE.0424SPVCOS 14.08
ZS.MC.BLK.0424SPVCOS 14.08
ZS.MC.GRY.0424SPVCOS 14.08
ZS.MC.BLK.0525SPVCOS3 14.08
ZS.MC.GRY.0525SPVCOS2 14.08
ZS.MC.BGE.0424SPVCOS 14.08

这段代码可以处理各种数据中的错误。例如，如果小数值不在最后面，这种情况也会被处理到。如果数据中的(...)不在第二个位置，而是在第一个位置，这种情况也会被处理到。

Answer 4

你可以这样遍历文件中的每一行：

with open('filename.txt') as f:
    for line in f.readlines():
        #do stuff

如果你想从某一行中提取你需要的信息，可以这样做：

cleaned = []
items = line.split()
for item in items:
    if item.startswith('(') and item.endswith(')'):
        cleaned.append(item.strip('()'))
        break
cleaned.append(items[-1])
cleaned = ' '.join(cleaned)

完整的程序如下：

in_file = 'reach.txt'
out_file = 'outreach.txt'

def clean(string):
    if not string:
        return string

    cleaned = []
    items = string.split()
    for item in items:
        if item.startswith('(') and item.endswith(')'):
            cleaned.append(item.strip('()'))
            break
    cleaned.append(items[-1])
    return ' '.join(cleaned)

with open(in_file) as i, open(out_file, 'w') as o:
    o.write('\n'.join([clean(line) for line in i]))