用Python解析缩进格式的文本

Question

我在尝试找一个高效的方法来解析一些有缩进的纯文本（来自一个Word文档），结果卡住了。举个例子（注意：下面的缩进在手机版本的StackOverflow上可能看不出来）：

出勤记录 8 F 1921-2010 Box 2 1921-1927, 1932-1944 1937-1939,1948-1966, 1971-1979, 1989-1994, 2010 每年参加的会议数量 1 F 1991-1994 Box 2 关于“狩猎旅行”的文件 10 F 1951-2011 Box 2 不完整；包括关于开始“狩猎旅行”的信件 可能还包括公告、邀请函、 报告、出席情况和费用；还有一些 照片。 另见：信件和会议记录

所以没有缩进的文本是父记录的数据，而每一行父数据下面的缩进文本是对该数据的一些备注（这些备注本身也分成了多行）。

到目前为止，我有一个粗糙的脚本，可以解析出没有缩进的父行，这样我就得到了一个字典项的列表：

import re

f = open('example_text.txt', 'r')

lines = f.readlines()

records = []

for line in lines:

if line[0].isalpha():
        processed = re.split('\s{2,}', line)


        for i in processed:
        title = processed[0]
        rec_id = processed[1]
        years = processed[2]
        location = processed[3]

    records.append({
        "title": title,
        "id": rec_id,
        "years": years,
        "location": location
    })


elif not line[0].isalpha():

    print "These are the notes, but attaching them to the above records is not clear"


print records`

这样生成的结果是：

[{'id': '8 F', 'location': 'Box 2', 'title': '出勤记录', 'years': '1921-2010'}, {'id': '1 F', 'location': 'Box 2', 'title': '每年参加的会议数量', 'years': '1991-1994'}, {'id': '10 F', 'location': 'Box 2', 'title': '关于“狩猎旅行”的文件', 'years': '1951-2011'}]

但现在我想给每条记录添加备注，像这样：

[{'id': '8 F', 'location': 'Box 2', 'title': '出勤记录', 'years': '1921-2010', 'notes': '1921-1927, 1932-1944 1937-1939,1948-1966, 1971-1979, 1989-1994, 2010' }, ...]

让我困惑的是，我假设这种逐行处理的方法，但我不确定是否有更“Pythonic”的方式来做到这一点。我更习惯于处理网页抓取，至少在那种情况下你有选择器，而这里很难逐行回头去处理。我希望有人能帮我理清思路，提供一个更好的解决方案。

更新 我只是添加了下面回答中建议的条件，处理缩进行时效果很好：

import re
import repr as _repr
from pprint import pprint


f = open('example_text.txt', 'r')

lines = f.readlines()

records = []

for line in lines:

    if line[0].isalpha():
        processed = re.split('\s{2,}', line)

        #print processed

        for i in processed:
            title = processed[0]
            rec_id = processed[1]
            years = processed[2]
            location = processed[3]

    if not line[0].isalpha():


        record['notes'].append(line)
        continue

    record = { "title": title,
               "id": rec_id,
               "years": years,
               "location": location,
               "notes": []}

    records.append(record)





pprint(records)

Answer 1

既然你已经解决了记录的解析问题，我就只讲讲怎么读取每条记录的备注：

records = []

with open('data.txt', 'r') as lines:
    for line in lines:
        if line.startswith ('\t'):
            record ['notes'].append (line [1:])
            continue
        record = {'title': line, 'notes': [] }
        records.append (record)

for record in records:
    print ('Record is', record ['title'] )
    print ('Notes are', record ['notes'] )
    print ()