Python 如何读取某些内容有换行符的文本文件？

我有以下表格的文本文件：

2016年1月6日，晚上10:40-abcde
2016年1月7日，下午12:04-abcde
2016年1月7日，下午12:05-abcde
2016年1月7日，下午12:05-abcde
2016年1月7日下午6:14-abcde
fghe
2016年1月7日下午6:20-abcde
2016年1月7日，下午7:58-abcde
fghe
ijkl
2016年1月7日，下午7:58-abcde

您可以看到，每一行都由换行符分隔，但某些行内容中有换行符。因此，简单地按行分隔并不能正确地解析每一行

例如，对于第5个条目，我希望输出为

2016年1月7日下午6:14-abcde fghe

这是我目前的代码：

with open('file.txt', 'r') as text_file:
data = []
for line in text_file:
    row = line.strip()
    data.append(row)

---

您可以使用正则表达式（使用模块）检查如下日期：

import re
with open('file.txt', 'r') as text_file:
  data = []
  for line in text_file:
    row = line.strip()
    if re.match(r'\d{2}/\d{2}/\d{4}.*'):  
      data.append(row)  # date: new record
    else:
      data[-1] += '\n' + row  # no date: append to last record

# '\d{2}': two digits
# '.*': any character, zero or more times

---

考虑到“

”，“

只能作为分隔符出现，我们可以检查该行是否有逗号，如果没有，则将其连接到最后一行：

data = []

with open('file.txt', 'r') as text_file:
    for line in text_file:
        row = line.strip()
        if ',' not in row:
            data[-1] += '\n' + row
        else:
            data.append(row)

---

长度的简单测试：

#!python3
#coding=utf-8

data = """06/01/2016, 10:40 pm - abcde
07/01/2016, 12:04 pm - abcde
07/01/2016, 12:05 pm - abcde
07/01/2016, 12:05 pm - abcde
07/01/2016, 6:14 pm - abcde

fghe
07/01/2016, 6:20 pm - abcde
07/01/2016, 7:58 pm - abcde

fghe

ijkl
07/01/2016, 7:58 pm - abcde"""

lines = data.split("\n")
out = []
for l in lines:
    c = l.strip()
    if c:
        if len(c) < 10:
            out[-1] += c
        else:
            out.append(c)
    #skip empty

for o in out:
    print(o)

数据中不包含换行符

---

但是这个单行正则表达式应该做到这一点（在linebreak上拆分，后跟数字），至少对于示例数据（当数据包含linebreak，后跟数字时会中断）：

输出：

   ['06/01/2016, 10:40 pm - abcde', '07/01/2016, 12:04 pm - abcde', '07/01/2016, 12:05 pm - abcde', '07/01/2016, 12:05 pm - abcde', '07/01/2016, 6:14 pm - abcde\n\
nfghe', '07/01/2016, 6:20 pm - abcde', '07/01/2016, 7:58 pm - abcde\n\nfghe\n\nijkl', '07/01/2016, 7:58 pm - abcde']
06/01/2016, 10:40 pm - abcde
07/01/2016, 12:04 pm - abcde
07/01/2016, 12:05 pm - abcde
07/01/2016, 12:05 pm - abcde
07/01/2016, 6:14 pm - abcde

fghe
07/01/2016, 6:20 pm - abcde
07/01/2016, 7:58 pm - abcde

fghe

ijkl
07/01/2016, 7:58 pm - abcde

---

---

（使用前瞻性修复）

给定示例输入，您可以使用带有前瞻性的：

pat=re.compile(r'^(\d\d\/\d\d\/\d\d\d\d.*?)(?=^^\d\d\/\d\d\/\d\d\d\d|\Z)', re.S | re.M)

with open (fn) as f:
    pprint([m.group(1) for m in pat.finditer(f.read())])    

印刷品：

['06/01/2016, 10:40 pm - abcde\n',
 '07/01/2016, 12:04 pm - abcde\n',
 '07/01/2016, 12:05 pm - abcde\n',
 '07/01/2016, 12:05 pm - abcde\n',
 '07/01/2016, 6:14 pm - abcde\n\nfghe\n',
 '07/01/2016, 6:20 pm - abcde\n',
 '07/01/2016, 7:58 pm - abcde\n\nfghe\n\nijkl\n',
 '07/01/2016, 7:58 pm - abcde\n']

---

在Dropbox示例中，打印：

['11/11/2015, 3:16 pm - IK: 12\n',
 '13/11/2015, 12:10 pm - IK: Hi.\n\nBut this is not about me.\n\nA donation, however small, will go a long way.\n\nThank you.\n',
 '13/11/2015, 12:11 pm - IK: Boo\n',
 '15/11/2015, 8:36 pm - IR: Root\n',
 '15/11/2015, 8:36 pm - IR: LaTeX?\n',
 '15/11/2015, 8:43 pm - IK: Ws\n']

如果要删除捕获内容中的

\n

，只需将

m.group（1）.strip（）添加到上面的列表中。替换（'\n'，''）

---

正则表达式的解释：

^(\d\d\/\d\d\/\d\d\d\d.*?)(?=^^\d\d\/\d\d\/\d\d\d\d|\Z)

^                                                       start of line   
    ^  ^  ^  ^   ^                                      pattern for a date  
                       ^                                capture the rest...  
                           ^                            until (look ahead)
                                      ^ ^ ^             another date
                                                  ^     or
                                                     ^  end of string

---

可能包含换行符的数据本身是否包含在双引号中？您是否可以演示

数据
的外观？从你的描述中不清楚。我看到了收入，但不清楚结果应该如何。我希望数据的每个元素都以日期开头。@juanpa.arrivillaga是的is@Imran那么你可能有某种类型的CSV。如果您知道分隔符是什么，您可以使用
csv
模块轻松地完成此操作。您可以发布数据的前几行吗？如果数据包含linebreak+数字，则会失败，因此需要扩展正则表达式。另一方面，如果数据包含一个新行，该新行看起来像是数据头，那么这种方法[没有清理数据，没有分隔符]很容易被破坏……如果其中一个日期是
12/21/2016
？如果你使用
re.split（r'\n\d'，txt）
你的日期变成了
2/21/2016
…哎呀，没有注意到它消耗了这个数字。你可以通过前瞻来解决这个问题——就像我发布的这个解决方案：
re.split（r'\n（？=^\d'），txt）
还不知道
\Z
，谢谢。[好的，你又删除了它..]到目前为止，没有任何东西阻止逗号出现在数据中（实际上，在问题注释中链接的数据文件中，有几个逗号）。可靠的分离是不可能的。当我发表文章时，只有问题中的例子，我的代码将是“可能工作的最简单的东西”。但是，如果在注释中链接了数据，您是对的，它将无法工作……与目前为止的任何其他方法一样：如果数据包含分隔符序列（此格式的日期），则会中断。这非常有效，谢谢！你能解释一下
re.compile
中的代码是做什么的吗？
['11/11/2015, 3:16 pm - IK: 12\n',
 '13/11/2015, 12:10 pm - IK: Hi.\n\nBut this is not about me.\n\nA donation, however small, will go a long way.\n\nThank you.\n',
 '13/11/2015, 12:11 pm - IK: Boo\n',
 '15/11/2015, 8:36 pm - IR: Root\n',
 '15/11/2015, 8:36 pm - IR: LaTeX?\n',
 '15/11/2015, 8:43 pm - IK: Ws\n']

^(\d\d\/\d\d\/\d\d\d\d.*?)(?=^^\d\d\/\d\d\/\d\d\d\d|\Z)

^                                                       start of line   
    ^  ^  ^  ^   ^                                      pattern for a date  
                       ^                                capture the rest...  
                           ^                            until (look ahead)
                                      ^ ^ ^             another date
                                                  ^     or
                                                     ^  end of string