如何使用 R 或 PowerShell 从文本文件中提取数据？答案

【问题标题】：How to extract data from a text file using R or PowerShell?如何使用 R 或 PowerShell 从文本文件中提取数据？
【发布时间】：2012-02-17 17:47:21
【问题描述】：

我有一个包含如下数据的文本文件：

This is just text
-------------------------------
Username:          SOMETHI           C:                 [Text]
Account:           DFAG              Finish time:        1-JAN-2011 00:31:58.91
Process ID:        2028aaB           Start time:        31-DEC-2010 20:27:15.30

This is just text
-------------------------------
Username:          SOMEGG            C:                 [Text]
Account:           DFAG              Finish time:        1-JAN-2011 00:31:58.91
Process ID:        20dd33DB          Start time:        12-DEC-2010 20:27:15.30

This is just text
-------------------------------
Username:          SOMEYY            C:                 [Text]
Account:           DFAG              Finish time:        1-JAN-2011 00:31:58.91
Process ID:        202223DB          Start time:        15-DEC-2010 20:27:15.30

有没有办法从这种数据中提取用户名、完成时间、开始时间？我正在寻找一些使用 R 或 Powershell 的起点。

【问题讨论】：

标签： r powershell powershell-2.0 text-processing

【解决方案1】：

您的文件是否在数据框中？就像列名是用户名、进程 ID、开始时间...如果是这样，您可以通过

轻松提取它

df$Username (where df is your data frame and if you want to see all your usernames)
df$FinishTime

如果您想了解某个用户的所有信息，请使用此

df[df$username == "SOMETHI",]

如果你想知道一个有完成时间的用户..

希望这可以作为一个起点。如果不清楚，请告诉我。

【讨论】：

我认为他正在尝试提取数据，以便将其放入 data.frame 中。

【解决方案2】：

这些只是我如何解决问题的指导方针。我敢肯定有一种更奇特的方式来做到这一点。可能包括 plyr。 :)

rara <- readLines("test.txt") # you could use readLines(textConnection = "text"))

# find usernames
usn <- rara[grepl("Username:", rara)]
# you can find a fancy way to split or weed out spaces
# I crudely do it like this:
unlist(lapply(strsplit(usn, "      "), "[", 2)) # 2 means "extract the second element"

# and accounts
acc <- rara[grepl("Account:", rara)]
unlist(lapply(strsplit(acc, "      "), "[", 2))

您可以使用str_trim() 删除单词之前/之后的空格。希望有足够的指示让您继续前进。

【讨论】：

【解决方案3】：

R 可能不是处理文本文件的最佳工具，但您可以执行以下操作：通过将文件读取为固定宽度文件来识别两列，通过拆分冒号上的字符串将字段与其值分开，添加一个“id”列，然后将所有内容放回原处。

# Read the file
d <- read.fwf("A.txt", c(37,100), stringsAsFactors=FALSE)

# Separate fields and values
d <- d[grep(":", d$V1),]
d <- cbind( 
  do.call( rbind, strsplit(d$V1, ":\\s+") ), 
  do.call( rbind, strsplit(d$V2, ":\\s+") ) 
)

# Add an id column
d <- cbind( d, cumsum( d[,1] == "Username" ) )

# Stack the left and right parts
d <- rbind( d[,c(5,1,2)], d[,c(5,3,4)] )
colnames(d) <- c("id", "field", "value")
d <- as.data.frame(d)
d$value <- gsub("\\s+$", "", d$value)

# Convert to a wide data.frame
library(reshape2)
d <- dcast( d, id ~ field )

【讨论】：

处理文本文件的工具是什么？ Perl，也许是 Ruby？
@RomanLuštrik：我个人会使用 Perl，因为我很熟悉它，但 Python 或 Ruby 应该证明同样好的解决方案。我通常更喜欢单独进行所有预处理，这样 R 只需读取数据库中的 csv 文件或表。
R 在解析文本文件时速度非常慢，用 Perl 或 Python 代替。

【解决方案4】：

这是一个 Powershell 解决方案：

$result = @()

get-content c:\somedir\somefile.txt |
foreach {
    if ($_ -match '^Username:\s+(\S+)'){
        $rec = ""|select UserName,FinishTime,StartTime
        $rec.UserName = $matches[1]
        }
    elseif ($_ -match '^Account.+Finish\stime:\s+(.+)'){
        $rec.FinishTime = $matches[1]
        }
    elseif ($_ -match '^Process\sID:\s+\S+\s+Start\stime:\s+(.+)'){
        $rec.StartTime = $matches[1]
        $result += $rec
        }
}
$result

【讨论】：