时间戳

首页 > 解决方案 > 如何在python中根据关键字提取txt文件的一部分？

python - 如何在python中根据关键字提取txt文件的一部分？

问题描述

给定一个包含约 5000 个 HTML 文档的非常大的文本文件。我正在尝试“搜索”特定的文本文件DOCNO并打印文件的所有行，直到遇到下一个</DOC>标签。

文本文件大致如下所示：

<DOC>
<DOCNO>abc4567890</DOCNO>
contents 
more contents
<BODY> 
even more contents 
</BODY>
</DOC> 
... repeated roughly 5000 times for different DOC NO's

我正在寻找以下输出：

contents 
more contents
<BODY> 
even more contents 
</BODY>
</DOC>

这是我一直在尝试实现的：

doc_string = "abc4567890"

with open('myfile.txt', encoding = "utf8") as f:
    for item in f.readlines():
        if "</DOCNO>" in item:
                ID = (item [ item.find("<DOCNO>")+len("<DOCNO>") : ])
                if (ID[0:9] == doc_string):
                    print (item)
                    if "</DOC>" in item:
                       break

但是，作为输出，我得到：

<DOCNO>abc4567890</DOCNO>

标签： pythontagsextract

解决方案

这样的事情怎么样？

# initialize variables:
lines = []
read_lines = False

with open('file.txt', 'r') as file:

    # iterate over each line:    
    for line in file.readlines():

        # append line to lines list:
        if read_lines: lines.append(line)

        # set read_lines to True:
        if '<DOCNO>abc4567890</DOCNO>' in line: read_lines = True

        # set read_lines to Flase:
        if '</DOC>' in line: read_lines = False


# print each line:
for line in lines:
    print(line, end='')

给定您的输入，它将输出：

contents 
more contents
<BODY> 
even more contents 
</BODY>
</DOC>

推荐阅读