使用Python和RegEx从多个.txt文件中提取特定数据

我有几个.txt文件，我需要从中提取某些数据。文件看起来相似，但每个文件存储不同的数据。下面是该文件的一个示例：

Start Date:        21/05/2016
Format:            TIFF
Resolution:        300dpi
Source:            X Company
...

文本文件中有更多信息，但我需要提取开始日期、格式和分辨率。文件位于同一父目录（“E:\Images”）中，但每个文件都有自己的文件夹。因此，我需要一个脚本来递归读取这些文件。以下是我目前的脚本：

#importing a library
import os

#defining location of parent folder
BASE_DIRECTORY = 'E:\Images'

#scanning through subfolders
    for dirpath, dirnames, filenames in os.walk(BASE_DIRECTORY):
        for filename in filenames:

        #defining file type
        txtfile=open(filename,"r")
        txtfile_full_path = os.path.join(dirpath, filename)
        try:
            for line in txtfile:

                if line.startswidth('Start Date:'):
                start_date = line.split()[-1]

                elif line.startswidth('Format:'):
                data_format = line.split()[-1]

                elif line.startswidth('Resolution:'):
                resolution = line.split()[-1]

                    print(
                    txtfile_full_path,
                    start_date,
                    data_format,
                    resolution)

---

理想情况下，如果Python将其与ech文件的名称一起提取并保存在文本文件中可能会更好。因为我在Python方面没有太多经验，我不知道如何进一步发展。

您不需要正则表达式。你可以用 基本字符串函数：

   txtfile=open(filename,"r")
   for line in txtfile:
         if line.startswidth("Start Date:"):
             start_date = line.split()[-1]
         ...

---

break

如果收集了所有信息。

要获取

开始日期，可以使用以下正则表达式：

^(?:Start Date:)\D*(\d+/\d+/\d+)$
# ^ anchor the regex to the start of the line
# capture the string "Start Date:" in a group
# followed by non digits zero or unlimited times 
# followed by a group with the start date in it

在
Python
中，这将是：

import re

regex = r"^(?:Start Date:)\D*(\d+/\d+/\d+)$"

# the variable line points to your line in the file
if re.search(regex, line):
    # do sth. useful here

请参阅a。
以下是我使用的代码：

# importing libraries
import os

# defining location of parent folder
BASE_DIRECTORY = 'E:\Images'
output_file = open('output.txt', 'w')
output = {}
file_list = []

# scanning through sub folders
for (dirpath, dirnames, filenames) in os.walk(BASE_DIRECTORY):
    for f in filenames:
        if 'txt' in str(f):
            e = os.path.join(str(dirpath), str(f))
            file_list.append(e)

for f in file_list:
    print f
    txtfile = open(f, 'r')
    output[f] = []
    for line in txtfile:
        if 'Start Date:' in line:
            output[f].append(line)
        elif 'Format' in line:
            output[f].append(line)
        elif 'Resolution' in line:
            output[f].append(line)
tabs = []
for tab in output:
    tabs.append(tab)

tabs.sort()
for tab in tabs:
    output_file.write(tab + '\n')
    output_file.write('\n')
    for row in output[tab]:
        output_file.write(row + '')
    output_file.write('\n')
    output_file.write('----------------------------------------------------------\n')

raw_input()

嗨，谢谢你的回答。问题是日期格式并不总是相同的（例如2003年9月22日至10月18日），因此我不能真正使用此代码。我在代码中使用了您的示例，但它仍然不起作用。我想我没有正确地插入它，但我希望python递归地读取父文件夹中的所有子文件夹，并一次提取所有信息。它还按字母顺序对文本文件排序。太棒了！我有类似的处理要做。例如，它也有地址字段，跨越多行。我应该如何显示它已经结束？