Python - 如何将文本输入拆分为单独的元素

Question

输入将与换行符不一致，因此我不能使用换行符作为某种分隔符。未来在该文本将在以下格式：

的IDNumber名姓得分函位置

• 的IDNumber：9号
• 分数：0-100
• 字母：A或B
• 位置：可以是任何从缩写州名到城市和州的完整拼写。这是可选的。

例：

123456789 John Doe 90 A New York City 987654321 
Jane Doe 70 B CAL 432167895 John 

Cena 60 B FL 473829105 Donald Trump 70 E 
098743215 Bernie Sanders 92 A AR 

元素是：

123456789 John Doe 90 A New York City 
987654321 Jane Doe 70 B CAL 
432167895 John Cena 60 B FL 
473829105 Donald Trump 70 E 
098743215 Bernie Sanders 92 A AR 

我需要为每个人单独访问每个元素。因此，对于John Cena对象，我需要能够访问ID：432167895，名字：John，姓氏：Cena，B或A：B。我并不真的需要位置，但它将成为输入的一部分。

编辑：应该值得一提的是我不允许导入任何模块，如正则表达式。

Answer 1

有可能是一个更优雅的方式来做到这一点，但基于一个例子字符串输入下面是一个想法。

input = "123456789 John Doe 90 A New York City 987654321 Jane Doe 70 B CAL 473829105 Donald Trump 70 E 098743215 Bernie Sanders 92 A AR" 

#split by whitespaces 
output = input.split() 

#create output to store as dictionary this could then be dumped to a json file 
data = {'output':[]} 
end = len(output) 

i=0 

while i< end: 
    tmp = {} 
    tmp['id'] = output[i] 
    i=i+1 
    tmp['fname']=output[i] 
    i=i+1 
    tmp['lname']=output[i] 
    i=i+1 
    tmp['score']=output[i] 
    i=i+1 
    tmp['letter']=output[i] 
    i=i+1 
    location = "" 
    #Catch index out of bounds errors 
    try: 
     bool = output[i].isdigit() 
     while not bool: 
      location = location + " " + output[i] 
      i=i+1 
      bool = output[i].isdigit() 
    except IndexError: 
     print('Completed Array') 

    tmp['location'] = location 
    data['output'].append(tmp) 

print(data) 

Answer 2

你可以使用正则表达式，这需要每个记录开始一个9位数的号码，以言联在必要时，并跳过位置：

res = re.findall(r"(\d{9})\s+(\S*)\s+(\S*(?:\s+\D\S*)*)\s+(\d+)\s+(\S*)", data) 

Result是：

[('123456789', 'John', 'Doe', '90', 'A'), 
('987654321', 'Jane', 'Doe', '70', 'B'), 
('432167895', 'John', 'Cena', '60', 'B'), 
('473829105', 'Donald', 'Trump', '70', 'E'), 
('098743215', 'Bernie', 'Sanders', '92', 'A')] 

Answer 3

由于在空白分裂不是为位置的识别有帮助，我会直接去一个正则表达式：

import re 

input_string = """123456789 John Doe 90 A New York City 987654321 
Jane Doe 70 B CAL 432167895 John 

Cena 60 B FL 473829105 Donald Trump 70 E 
098743215 Bernie Sanders 92 A AR""" 

search_string=re.compile(r"([0-9]{9})\W+([a-zA-Z ]+)\W+([a-zA-Z ]+)\W+([0-9]{1,3})\W+([AB])\W+([a-zA-Z ]+)\W+") 
person_list = re.findall(search_string, input_string) 

只

这产生了：

• ID：9个位数（后面至少一个空白）
• 姓和名：2个独立

  [('123456789', 'John', 'Doe', '90', 'A', 'New York City'), 
  ('987654321', 'Jane', 'Doe', '70', 'B', 'CAL'), 
  ('432167895', 'John', 'Cena', '60', 'B', 'FL')] 
  

  在正则表达式的基团的说明

• 得分：一个，两个或三个数字（后面至少有一个空格）
（最少一个空格）
• 字母：A或B（随后通过至少一个空白）
• 位置：一组字符（接着通过至少一个空白）

Answer 4

自从你知道的ID号将是在启动每个“记录”的，是9位数字，由9位数的ID号试图分裂：

# Assuming your file is read in as a string s: 
import re 
records = re.split(r'[ ](?=[0-9]{9}\b)', s) 

# record locator will end up holding your records as: {'<full name>' -> {'ID'-><ID value>, 'FirstName'-><FirstName value>, 'LastName'-><LastName value>, 'Letter'-><LetterValue>}, 'full name 2'->{...} ...} 
record_locator = {} 

field_names = ['ID', 'FirstName', 'LastName', 'Letter'] 

# Get the individual records and store their values: 
for record in records: 

    # You could filter the record string before doing this if it contains newlines etc 
    values = record.split(' ')[:5] 

    # Discard the int after the name eg. 90 in the first record 
    del values[3] 

    # Create a new entry for the full name. This will overwrite entries with the same name so you might want to use a unique id instead 
    record_locator[values[1]+values[2]] = dict(zip(field_names, values)) 

然后访问信息：

print record_locator['John Doe']['ID'] # 987654321 

Answer 5

我认为试图按9位数字拆分可能是最好的选择。

import re 

with open('data.txt') as f: 
    data = f.read() 
    results = re.split(r'(\d{9}[\s\S]*?(?=[0-9]{9}))', data) 
    results = list(filter(None, results)) 
    print(results) 

给我这些结果

['123456789 John Doe 90 A New York City ', '987654321\nJane Doe 70 B CAL ', '432167895 John\n\nCena 60 B FL ', '473829105 Donald Trump 70 E\n', '098743215 Bernie Sanders 92 A AR']