7

由于我真的不明白的原因，我使用的 REST API 不是输出 JSON 或 XML，而是使用一种特殊的结构化文本格式。以最简单的形式

SECTION_NAME    entry  other qualifying bits of the entry
                entry2 other qualifying bits
                ...

它们不是制表符分隔的，就像结构看起来一样，而是空格分隔，并且限定位可能包含带空格的单词。SECTION_NAME 和条目之间的空格也是可变的，范围从 1 到几个（6 个或更多）空格。

此外，格式的一部分包含表单中的条目

SECTION_NAME entry
  SUB_SECTION more information
  SUB_SECTION2 more information

作为参考，真实数据的摘录（省略了一些部分），它显示了结构的使用：

ENTRY       hsa04064                    Pathway
NAME        NF-kappa B signaling pathway - Homo sapiens (human)
DRUG        D09347  Fostamatinib (USAN)
            D09348  Fostamatinib disodium (USAN)
            D09692  Veliparib (USAN/INN)
            D09730  Olaparib (JAN/INN)
            D09913  Iniparib (USAN/INN)
REFERENCE   PMID:21772278
  AUTHORS   Oeckinghaus A, Hayden MS, Ghosh S
  TITLE     Crosstalk in NF-kappaB signaling pathways.
  JOURNAL   Nat Immunol 12:695-708 (2011)

当我试图将这种奇怪的格式解析成更理智的东西（然后可以转换为 JSON 的字典）时，我不确定该怎么做：在空格上盲目拆分会导致混乱（它也会影响带有空格的信息），而且我不确定如何确定一个部分何时开始。文本操作是否足以胜任这项工作，还是我应该使用更复杂的方法？

编辑：

我开始使用 pyparsing 来完成这项工作，但多行记录让我感到困惑，这是一个 DRUG 的示例：

 from pyparsing import *
 punctuation = ",.'`&-"
 special_chars = "\()[]"

 drug = Keyword("DRUG")
 drug_content = Word(alphanums) + originalTextFor(OneOrMore(Word(
      alphanums + special_chars))) + ZeroOrMore(LineEnd())
 drug_lines = OneOrMore(drug_content)
 drug_parser = drug + drug_lines

当应用于示例中的前 3 行 DRUG 时，我得到一个错误的结果（\n 转换为实际返回以方便阅读）：

 ['DRUG', ['D09347', 'Fostamatinib (USAN)
        D09348  Fostamatinib disodium      (USAN)
        D09692  Veliparib (USAN']]

如您所见，随后的条目被混为一谈，而我希望：

 ['DRUG', [['D09347', 'Fostamatinib (USAN)'], ["D09348", "Fostamatinib disodium (USAN)"],
           ['D09692', ' Veliparib (USAN)']]]
4

2 回答 2

3

我建议您使用基于解析器的方法。例如，Python PLY可用于手头的任务。

于 2012-07-04T08:38:46.743 回答
0

最好的方法是使用正则表达式，例如：

m = re.compile('^ENTRY\s+(.*)$')
m.search(line)
if m:
   m.groups()[0].strip()

对于没有条目的行，您应该使用您检测到的最后一个条目。

更简单的方法是按条目拆分，例如：

vals = line.split('DRUG')
if len(vals) > 1:
     drug_field = vals[1].strip()
于 2012-07-04T08:40:54.010 回答