仅从Python中的TXT文件中提取文章标题

我将感谢您对以下问题的指导。我只需要从一系列出版物中批量提取文章标题。我的想法是，我接收PDF格式的文件，我只提取第一页（完成），批量转换为TXT（完成），我被困在最后阶段

TXTs的结构如下所示：

---医学与生命杂志

JML审查

新型聚（ADP核糖）抑制剂在治疗遗传性生殖系BRCA1/2突变的局部晚期和转移性Her-2/neu阴性乳腺癌中的作用。 文献综述

作者名单等---

只需要每个文件的标题（粗体）。我可以进行迭代，这不是问题

使用下面的代码，我试图识别第1段：

    data = file.read()
    array1 = []
    sp = data.split("\n\n")
    for number, paragraph in enumerate(sp, 1):
        if number == 1:
            array1 += [paragraph]
            print (array1)

没有任何结果

我的想法是，我只需要将标题保存在一个文件中（可以是TXT），因为我需要这个列表用于其他目的

---

非常感谢

您可以使用

.read（）

读取整个文件，并使用带有捕获组的模式从JML匹配到作者

^JML\s*\|.*\s*\r?\n((?:.*\r?\n)*?)Authors\b

模式匹配：

• ^

  字符串的开头

• JML\s*\\\\\\\\\\\

  匹配JML、可选空格字符和

  \\\\\\\\\

• *\s*\r？\n

  匹配行的其余部分、可选空白字符和换行符

• （

  捕获组1

  • （？：.*\r？\n）*？

    尽可能匹配所有行

• ）

  关闭第1组

• 作者\b

  作者

例如：

import os
import re

pattern = r"^JML\s*\|.*\s*\r?\n((?:.*\r?\n)*?)Authors\b"
array1 = []

for file in os.listdir():
    with open(file, "r") as data:
        array1 = array1 + re.findall(pattern, data.read(), re.MULTILINE)
print(array1)

---

sp

中的实际内容是什么？我试着分成几行…不确定是否可以，如果标题总是第三行，那么就使用

sp[2]

@Ashish-我做到了。没有错误，但也没有返回。一片空白。代码现在是：

对于os.listdir（）中的文件：data=file.read（）array1=[]sp=data.split（\n\n”）表示枚举（sp，2）中段落的数字：如果数字==1:array1+=[段落]打印（array1）

您可以读取该文件，在2行换行符上拆分，然后从os.listdir（）中的文件列表

中取出第3项：data=open（file，“r”）sp=data.read（）.split（“\n\n”）print（sp[2]）

，或者是否有更具体的逻辑，比如获取此字符串格式

JML | REVIEW

和此字符串格式

作者列表之间的所有文本，等等，等等--

？非常感谢您的精彩和详细的解释。我已经尝试了代码，没有任何错误，但是输出是一个空白数组“[]”，如@OviSele所示，您可以使用open（file）

在本部分
中的
文件
之前预先设置文件路径，因为当您执行
打印（file）时
在循环中，您只能看到文件名。谢谢！就像我在下面所做的那样？对于os.listdir（）中的文件，我得到了相同的结果[]
：使用open（'C:\\Users\\OviSele\\Downloads\\Test\\testpy.txt'，“r”）作为数据：array1=array1+re.findall（pattern，data.read（），re.MULTILINE）print（array1）
@OviSele您使用它将
返回一个列表，其中包含路径给定目录中条目的名称
然后，对于您获得的每个名称，您必须以正确的路径打开该文件：-），因此我认为在您的情况下，
import-os-import-re-pattern=r“^JML\s*.\r*\n（（？：..\r？\n）*？）Authors\b”array1=[]path=“C:\\Users\\OviSele\\Downloads\\Test\\”for os.listdir（path）中的文件：打开（path+file，“r”）作为数据：array1=array1+re.findall（pattern，data.read（），re.MULTILINE）打印（array1）
！非常非常感谢！万分感谢！