Извлечение текстовых данных между двумя строками в текстовом файле, используя Python

Question

Допустим, у меня есть текстовый файл со следующим содержимым:

    Quetiapine fumarate Drug substance  This document
    Povidone    Binder  USP
    This line doesn't contain any medicine name.
    This line contains Quetiapine fumarate which shouldn't be extracted as it not present at the 
    beginning of the line.
    Dibasic calcium phosphate dihydrate Diluent USP is not present in the csv
    Lactose monohydrate Diluent USNF
    Magnesium stearate  Lubricant   USNF


    Lactose monohydrate, CI 77491   
    0.6
    Colourant
    E 172

    Some lines to break the group.
    Silicon dioxide colloidal anhydrous
    (0.004
    Gliding agent
    Ph Eur

    Adding some random lines.

    Povidone
    (0.2
    Lubricant
    Ph Eur

У меня есть csv, содержащий список лекарств, который я хочу сопоставить в файле .txt и извлекать все данные, которые присутствует между 2 уникальными лекарствами (когда название лекарства находится в начале строки). (Примеры лекарств из файла csv: 'Quetiapine fumarate', 'Povidone', 'Magnesium stearate', 'Lactose monohydrate' etc etc.)

Я хочу перебрать каждую строку моего текстового файла и создать группируется от одного лекарства к другому.

Это должно происходить только в том случае, если название лекарства присутствует в начале новой строки и отсутствует между строкой.

Ожидаемый результат:

['Quetiapine fumarate   Drug substance  This document'],
['Povidone  Binder  USP'],
['Lactose monohydrate   Diluent USNF'],
['Magnesium stearate    Lubricant   USNF'],
[Lactose monohydrate, CI 77491  
    0.6
    Colourant
    E 172],

[Povidone
    (0.2
    Lubricant
    Ph Eur]

Может ли кто-нибудь помочь мне с этим же сделать это в Python?

Попытка до сих пор:

medicines = ('Quetiapine fumarate', 'Povidone', 'Magnesium stearate', 'Lactose monohydrate')

result = []
with open('C:/Users/test1.txt', 'r', encoding='utf8') as f:
    for line in f:
        if any(line.startswith(med) for med in medicines):
            result.append(line.strip())

, которая фиксирует вывод до этого момента, но мне нужно оставшаяся часть:

['Quetiapine fumarate   Drug substance  This document'],
['Povidone  Binder  USP'],
['Lactose monohydrate   Diluent USNF'],
['Magnesium stearate    Lubricant   USNF']

Мне нужно захватить весь текст из одного лекарства в другое, как показано в ожидаемом результате. Если в строке присутствует только одно название лекарства, мне нужно записать данные для m следующие четыре строки и сформируйте группу, в которой число появится на следующей строке после лекарства, как показано в выходных данных.

Answer 1

Вы можете использовать это регулярное выражение с параметром re.M:

^\s*(?:Quetiapine fumarate|Povidone|Magnesium stearate|Lactose monohydrate).*(?:\n[^\w\n]*\d*\.?\d+[^\w\n]*(?:\n.*){2})?

См. Демонстрационную версию регулярного выражения

Подробно

• ^ - начало строки
• \s* - 0 или более пробелов
• (?:Quetiapine fumarate|Povidone|Magnesium stearate|Lactose monohydrate) - ваш список лекарств
• .* - остаток строки
• (?:\n[^\w\n]*\d*\.?\d+[^\w\n]*(?:\n.*){2})? - необязательная строка
  • \n - новая строка
  • [^\w\n]* - 0+ символов, кроме символов слова и новой строки
  • \d*\.?\d+ - число
  • [^\w\n]* - 0+ символов, отличных от слов и символов новой строки
  • (?:\n.*){2} - два вхождения новой строки и остальные линия

Python (см. Python демонстрация онлайн ):

import re

medicines = ['Quetiapine fumarate', 'Povidone', 'Magnesium stearate', 'Lactose monohydrate']

result = []
med = r"(?:{})".format("|".join(map(re.escape, medicines)))
pattern = re.compile(r"^\s*" + med + r".*(?:\n[^\w\n]*\d*\.?\d+[^\w\n]*(?:\n.*){2})?", re.M)
with open('C:/Users/test1.txt', 'r', encoding='utf8') as f:
    result = pattern.findall(f.read())