多行字符串切割

Question

所以除了一些 tKintner 经验（一些 GUI 实验）之外，我还是 python 新手。

我读取了一个 .mbox 文件并将纯文本/文本复制到一个字符串中。此文本包含一个注册表单。因此，居住在伦敦枫树街为“MultiVendor XXVideos”公司工作的 Stefan 已通过电子邮件注册订阅。

Name_OF_Person: Stefan
Adress_HOME: London, Maple
    Street
 45
Company_NAME: MultiVendor
XXVideos

我想获取这些数据并放入带有列的 .csv 行 “姓名”、“地址”、“公司”、...

现在我试着切割一切。对于调试，我使用“打印”（IDE = KATE/KDE + 终端... :-D）。 问题是，数据在关键字之后包含多行，但我只得到第一行。

您将如何改进我的代码？

import mailbox
import csv
import email
from time import sleep
import string
fieldnames = ["ID","Subject","Name", "Adress", "Company"]
searchKeys = [ 'Name_OF_Person','Adress_HOME','Company_NAME']
mbox_file = "REG.mbox"
export_file_name = "test.csv"

if __name__ == "__main__":
 with open(export_file_name,"w") as csvfile:
 writer = csv.DictWriter(csvfile, dialect='excel',fieldnames=fieldnames)
 writer.writeheader()

 for message in mailbox.mbox(mbox_file):
   if message.is_multipart():
     content = '\n'.join(part.get_payload() for part in message.get_payload())
     content = content.split('<')[0] # only want text/plain.. Ill split #right before HTML starts
     #print content
   else:
     content = message.get_payload()
   idea = message['message-id']
   sub =  message['subject']
   fr = message['from']
   date = message['date']
   writer.writerow ('ID':idea,......) # CSV writing will work fine

   for line in content.splitlines():
     line = line.strip()
      for pose in searchKeys: 
       if pose in line: 
         tmp = line.split(pose)
         pmt = tmp[1].split(":")[1]
         if next in line !=: 
         print pose +"\t"+pmt
       sleep(1)
csvfile.closed

输出：

OFFICIAL_POSTAL_ADDRESS  =20

这里，行不见了.. 来自文件：

OFFICIAL_POSTAL_ADDRESS: =20
London, testarossa street 41

编辑2：

@亚尼夫 谢谢，我仍在尝试理解每一步，但只是想发表评论。我喜欢使用列表/矩阵/向量“key_value_pairs”的想法

电子邮件中的关键字数量约为 20 个字。此外，我的价值观有时会被“=”换行。 我在想这样的事情：

Search text for Keyword A, 
if true: 
 search text from Keyword A until keyword B 
 if true:
  copy text after A until B

Name_OF_=
Person: Stefan
Adress_
=HOME: London, Maple
Street
 45
Company_NAME: MultiVendor
XXVideos

也许来自 EMAIL.mbox 的 HTML 更容易处理？

<tr><td bgcolor=3D"#eeeeee"><font face=3D"Verdana" size=3D"1">
<strong>NAM=
 E_REGISTERING_PERSON</strong></font></td><td bgcolor=3D"#eeeeee"><font    
 fac=e=3D"Verdana" size=3D"1">Stefan&nbsp;</font></td></tr>

但是“=”仍然存在 我应该将 ["="," = "] 替换为 "" 吗？

Answer 1

我会在输入行上进行“例行”解析循环，并维护一个current_key 和current_value 变量，作为某个键的值 > 在您的数据中可能是“烦人的”，并且分布在多行中。

我在下面的代码中演示了这种解析方法，并对您的问题进行了一些假设。例如，如果输入行以空格开头，我假设它一定是这种“烦人”值的情况（分布在多行中）。这些行将使用一些可配置的字符串（参数join_lines_using_this）连接成一个值。另一个假设是您可能希望从键和值中去除空格。

随意调整代码以适应您对输入的假设，并在它们不成立时引发异常！

# Note the usage of .strip() in some places, to strip away whitespaces. I assumed you might want that.
def parse_funky_text(text, join_lines_using_this=" "):

    key_value_pairs = []

    current_key, current_value = None, ""
    for line in text.splitlines():
        line_split = line.split(':')
        if line.startswith(" ") or len(line_split) == 1:
            if current_key is None:
                raise ValueError("Failed to parse this line, not sure which key it belongs to: %s" % line)
            current_value += join_lines_using_this + line.strip()
        else:
            if current_key is not None:
                key_value_pairs.append((current_key, current_value))
                current_key, current_value = None, ""
            current_key = line_split[0].strip()
            # We've just found a new key, so here you might want to perform additional checks,
            # e.g. if current_key not in sharedKeys: raise ValueError("Encountered a weird key?! %s in line: %s" % (current_key, line))
            current_value = ':'.join(line_split[1:]).strip()

    # Don't forget the last parsed key, value
    if current_key is not None:
        key_value_pairs.append((current_key, current_value))

    return key_value_pairs

示例用法：

text = """Name_OF_Person: Stefan
Adress_HOME: London, Maple
    Street
 45
Company_NAME: MultiVendor
XXVideos"""

parse_funky_text(text)

将输出：

[('Name_OF_Person', 'Stefan'), ('Adress_HOME', 'London, Maple Street 45'), ('Company_NAME', 'MultiVendor XXVideos')]

Answer 2

您在 cmets 中指出您从内容中输入的字符串应该是相对一致的。如果是这种情况，并且您希望能够将该字符串拆分为多行，那么最简单的做法是将\n 替换为空格，然后只解析单个字符串。

我故意将我的答案限制为仅使用字符串方法，而不是发明一个巨大的函数来做到这一点。原因：1）您的流程已经足够复杂，2）您的问题实际上归结为如何跨多行处理字符串数据。如果是这样，并且模式是一致的，这将完成这项工作

content = content.replace('\n', ' ')

然后，您可以在结构一致的标题中的每个边界上进行拆分。

content = content.split("Name_OF_Person:")[1] #take second element of the list
person = content.split("Adress_HOME:")[0] # take content before "Adress Home"
content = content.split("Adress_HOME:")[1]  #take second element of the list
address = content.split("Company_NAME:")[0] # take content before 
company = content.split("Adress_HOME:")[1]  #take second element of the list (the remainder) which is company

通常，我会建议使用正则表达式。 (https://docs.python.org/3.4/library/re.html)。从长远来看，如果您需要再次执行此类操作，正则表达式将在花费时间处理数据方面获得回报。要使正则表达式函数跨多行“剪切”，您将使用re.MULTILINE 选项。所以它最终可能看起来像re.search('Name_OF_Person:(.*)Adress_HOME:', html_reg_form, re.MULTILINE)