0

我从pdf中抓取了一些数据。它的数据几乎像 XML，看起来像这样 "(1) Data-field-1 (3) Data-field-3 (5) Data-field-5; (1) Data-field-1 (2) Data-field-2 (3) Data-field-3 (5) Data-field-5; ; (2) Data-field-2 (3) Data-field-3 (5) Data-field-5 (6) Data-field-6;"等

因此，对于每个条目，数据字段都以 (x) 开头。通常，条目以分号 (;) 结尾，但数据字段中通常有分号，因此我不能将其用作分隔符。新记录开始的唯一指标是开始标签中的整数小于之前的整数。标签是从 1 到 6。我想尝试获取字典字典，因此看起来类似于 JSON，例如

{'Row1':{1 : 'Data-field-1', 3 : 'Data-field-3', 5 : 'Data-field-5'},'Row2': {1: 'Data-field-1', 2: 'Data-field-2', 3: 'Data-field-3' 5: 'Data-field-5'},Row3': { 2: 'Data-field-2' ,3: 'Data-field-3' ,5: 'Data-field-5',6: 'Data-field-6'}，ETC

尝试在 python 中使用正则表达式来做到这一点，这是我匹配匹配的最后一段代码：

inner_dict={}
    test=filter(None, re.split(";", match))
    print test
    for i,x in enumerate(test):
        if i==0 :
            inner_dict[1]=x
        else:
            y=re.findall('\((\d)\)',x)[0]
            inner_dict[y]=re.findall('\(\d\)\s(.+)',x)[0]
    outer_dict[n]=inner_dict
    n+=1

但是由于数据字段中的额外分号而导致回溯错误（列表索引超出范围）关于如何做得更好的任何想法？

4

1 回答 1

0

我会首先编写一个解析器并为 item 读取这个原始数据项，然后我会决定如何处理该 item：

(1) Data-field-1 -> 第一项 -> 在 dict 中创建新条目并追加...

(3) Data-field-3 -> 下一项--> 在入口处追加

(5) 数据字段 5；-> 下一项--> 在入口处追加

(1) Data-field-1 -> Next item = new line --> 创建一个新条目并追加...

也许这有帮助...

于 2017-08-08T08:27:57.450 回答