Как извлечь часть текстового файла на основе ключевого слова, в python? - PullRequest
Новая
       14

Как извлечь часть текстового файла на основе ключевого слова, в python?

0 голосов
/ 08 февраля 2020

Учитывая очень большой текстовый файл из ~ 5000 HTML документов. Я пытаюсь «найти» текстовый файл с указанным c DOCNO и распечатать все строки файла, пока не встретится следующий тег </DOC>.

Текстовый файл выглядит примерно так: 

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

И я ищу вывод: 

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

Вот что я пытался реализовать: 

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

Но в качестве вывода я получаю: 

<DOCNO>abc4567890</DOCNO>

1 Ответ

0 голосов
/ 08 февраля 2020

Как насчет чего-то подобного? 

# 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='')

Учитывая ваш ввод, он выдаст: 

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