1
我一直在尝试使用上面的代码将TREC文档提取到单独的文本文件中,但我遇到了一些错误。这里是我的TREC文件中包含的标签<DOC>
和</DOC>
2个之间文档的内容的一个例子:如何获取TREC文档?
<DOC>
<DOCNO>
WSJ910102-0145
</DOCNO>
<DOCID>
910102-0145.
</DOCID>
<HL>
xxxx
</HL>
<DATE>
01/02/91
</DATE>
<LP>
text LP1
</LP>
<TEXT>
text1
</TEXT>
</DOC>
<DOC>
<DOCNO>
WSJ910102-0144
</DOCNO>
<DOCID>
910102-0144.
</DOCID>
<HL>
....
</HL>
<DATE>
01/02/91
</DATE>
<LP>
text LP2
</LP>
<TEXT>
text2
</TEXT>
</DOC>
我想在一个分离的文本文件,提取每个文档。我必须获得文档编号为“DOCNO”的标签“LP”和“TEXT”的内容。这里是我的代码:
text=text.replace('\n',' ').replace('\t', ' ')
i=0
txtDoc=''
regexTxt='(<LP>(.*?)</LP>)? <TEXT>(.*?)</TEXT>'
regexDoc='<DOC>(.*?)</DOC>'
regexDocNo='<DOCNO>(.*?)</DOCNO>'
pattern = compile(r'<DOC>(.*?)</DOC>')
iterator = finditer(pattern, text)
count = 0
for match in iterator:
count +=1
res=re.search(regexDoc,text)
while (i<count):
txtDoc=res.group(i)
resNo=re.search(regexDocNo,txtDoc)
docNo=resNo.group()
docNo=docNo.replace('<DOCNO>', ' ').replace('</DOCNO>', ' ')
res2=re.search(regexTxt,txtDoc)
txt=res2.group()
txt=txt.replace('<TEXT>', ' ').replace('</TEXT>', ' ').replace('<LP>',' ').replace('</LP>',' ')
print("Document : %s \n %s" %(docNo,txt))
i+=1
print ("Fin")
这里是打印结果:
Document : WSJ910102-0145
text1
Document : WSJ910102-0145
text1
Fin
而且我想这一个:
Document : WSJ910102-0145
text LP1
text1
Document : WSJ910102-0144
text LP2
text2
Fin
非常感谢!它的工作非常好!现在我可以将它与我的所有藏品一起使用!祝你今天愉快 ;) –