时间戳

首页 > 解决方案 > python拆分字符串而不切割单词

python - python拆分字符串而不切割单词

问题描述

我发现了一些类似的问题，但没有来自 python。

上下文：

我有许多 pdf 文件（文本），其中包含其他文本的表格。表格的位置和大小因文件而异。我已经尝试过不同的库，但 pdftotext 是迄今为止最好的。例如，tabula 不起作用。

到目前为止的解决方案：

我使用 pdftotext 将所有信息提取为一个大字符串，找到将始终分隔表格并将表格保存在变量中的子字符串

不幸的是，我不能写表的全部内容，但前两行：

D  Staph. aureus  Ps. aeruginosa E. coli ATCC Ser.             Asp.           Cand. albicans
a  ATCC 6538,     ATCC 9027, Ps. 8739, Ent.     marcescens     brasiliensis   ATCC 10231,

由于 pdftotext 在每一行的末尾放置一个“\n”，我可以将表格拆分为每一行

我的目标是将此字符串分隔为子字符串，如下所示：

['Staph. aureus', 'Ps. aeruginosa', 'E. coli ATCC', 'Ser.', 'Asp.', 'Cand. albicans']

和这个：

['ATCC 6538,     ', 'ATCC 9027, Ps. ', '8739, Ent.     ', 'marcescens     ', 'brasiliensis   ', 'ATCC 10231,']

例如，第二行以每 15 个字符分隔

我意识到一列的最大长度是 15 个字符，所以我尝试像这样拆分它，n = 15：

print([line[i: (i + n)] for i in range(0, len(line), n)])

但这就是我得到的：

['Staph. aureus  ', 'Ps. aeruginosa ', 'E. coli ATCC Se', 'r.             ', 'Asp.           ', 'Cand. albicans']

这里的问题是如何在不剪切单词的情况下剪切子字符串中的字符串？我已经意识到，如果我在位置线[i + n] 上剪切，位置线[i+n-1] 必须等于“”才能不剪切一个单词。

标签： pythonsplit

解决方案

这会有帮助吗？

str = "D  Staph. aureus  Ps. aeruginosa E. coli ATCC Ser.             Asp.           
Cand. albicans"
list = []

for s in str.split():
    if "." in s:
        list.append(s)
    elif list:
        list[-1] = f"{list[-1]} {s}"

print(list)

输出：

['Staph. aureus', 'Ps. aeruginosa', 'E. coli ATCC', 'Ser.', 'Asp.', 'Cand. albicans']

这会在空格处拆分字符串，然后遍历结果数组，如果单词包含“。”，则在列表中开始一个新条目。并在列表中将该索引附加到以下单词，直到下一个单词带有“。” 遇到。

我看不到可以应用于所有行的规则，但是通过这两个示例，我们可以做到：

line1 = "D  Staph. aureus  Ps. aeruginosa E. coli ATCC Ser.             Asp.           Cand. albicans"
line2 = "a  ATCC 6538,     ATCC 9027, Ps. 8739, Ent.     marcescens     brasiliensis   ATCC 10231,"

for line in (line1, line2):
    if line[0] == "D":
        list = []
        for s in line.split():
            if "." in s:
                list.append(s)
            elif list:
                list[-1] = f"{list[-1]} {s}"
        print(list)

    if line[0] == "a":
        count = 0
        list = []
        for s in line2[3:]:
            if count % 15 == 0 or count == 0:
                list.append(s)
                if len(list) > 1: list[-2] = list[-2].rstrip()
            else:
                list[-1] = f"{list[-1]}{s}"
            count += 1
        print(list)

输出：

['Staph. aureus', 'Ps. aeruginosa', 'E. coli ATCC', 'Ser.', 'Asp.', 'Cand. albicans']
['ATCC 6538,', 'ATCC 9027, Ps.', '8739, Ent.', 'marcescens', 'brasiliensis', 'ATCC 10231,']

看起来很可怕，但希望能提供一些想法。:)

推荐阅读