仅从 Python 中的 TXT 文件中提取文章的标题答案

【问题标题】：Extract only the title of an article from a TXT file in Python仅从 Python 中的 TXT 文件中提取文章的标题
【发布时间】：2021-03-18 13:25:22
【问题描述】：

感谢您在以下问题上的指导。我只需要从一系列出版物中批量提取文章标题。我的想法是我收到 PDF 格式的文件，我只提取第一页（完成），批量转换为 TXT（完成），然后我被困在最后一个阶段。

TXT的结构如下：

---医学与生命杂志

JML |审查

新型多聚（ADP-核糖）抑制剂在治疗具有遗传性胚系 BRCA1/2 突变的局部晚期和转移性 Her-2/neu 阴性乳腺癌中的作用。文献综述

作者列表等……

只需要每个文件的标题（粗体）。我可以做迭代，这不是问题。

通过下面的代码，我尝试识别第 1 段：

    data = file.read()
    array1 = []
    sp = data.split("\n\n")
    for number, paragraph in enumerate(sp, 1):
        if number == 1:
            array1 += [paragraph]
            print (array1)

没有任何结果...

我的想法是我只需要将标题保存在一个文件（可能是 TXT）中，因为我需要此列表用于其他目的。

非常感谢！

【问题讨论】：

sp 中的实际内容是什么？
我试图分成几行...但不确定是否可以
如果标题总是第三行，那么就使用sp[2]
@Ashish - 我做到了。没有错误，但也没有返回。只是空白。现在的代码是：for files in os.listdir(): data = file.read() array1 = [] sp = data.split("\n\n") for number, paragraph in enumerate(sp, 2): if number == 1: array1 += [paragraph] print (array1)
您可以读取文件，拆分为 2 个换行符，然后从列表中获取第三项 for file in os.listdir(): data = open(file, "r") sp = data.read().split("\n\n") print(sp[2]) 或者是否有更具体的逻辑，例如获取此字符串格式 JML | REVIEW 之间的所有文本这个字符串格式Authors list, etc, etc --- ?

标签： python text extract

【解决方案1】：

您可以使用 .read() 读取整个文件，并使用带有捕获组的模式来匹配从 JML 到 Authors。

^JML\s*\|.*\s*\r?\n((?:.*\r?\n)*?)Authors\b

模式匹配：

^ 字符串开始
JML\s*\| 匹配 JML、可选的空白字符和 |
.*\s*\r?\n 匹配行的其余部分、可选的空白字符和换行符
(捕获组1
- (?:.*\r?\n)*? 尽可能少地匹配所有行
)关闭第一组
Authors\b作者

Regex demo

例如：

import os
import re

pattern = r"^JML\s*\|.*\s*\r?\n((?:.*\r?\n)*?)Authors\b"
array1 = []

for file in os.listdir():
    with open(file, "r") as data:
        array1 = array1 + re.findall(pattern, data.read(), re.MULTILINE)
print(array1)

【讨论】：

非常感谢您出色而详细的解释。我已经尝试了代码，没有任何错误，但输出是一个空白数组“[]”，如此处所示ibb.co/fpmKf8B
@OviSele 您可以在这部分 with open(file 中的 file 之前添加文件的路径，因为当您在循环中执行 print(file) 时，您只会看到文件的名称。跨度>
谢谢！就像我在下面做的那样？我得到相同的结果 [] for file in os.listdir(): with open('C:\\Users\\OviSele\\Downloads\\Test\\testpy.txt', "r") as data: array1 = array1 + re.findall(pattern, data.read(), re.MULTILINE) print(array1)
@OviSele 你使用listdir 这将Return a list containing the names of the entries in the directory given by path 然后，对于你得到的每个名字，你必须在正确的路径中打开那个文件:-) 所以我认为你的情况可能import os import re pattern = r"^JML\s*\|.*\s*\r?\n((?:.*\r?\n)*?)Authors\b" array1 = [] path = "C:\\Users\\OviSele\\Downloads\\Test\\" for file in os.listdir(path): with open(path + file, "r") as data: array1 = array1 + re.findall(pattern, data.read(), re.MULTILINE) print(array1)
太棒了！非常非常感谢！谢谢一百万！