在python中从字符串中提取名称

首先，其目的是仅将名称与由朝鲜语名称、英语名称、特殊字符（-、*、逗号）、空格等组成的字符串区分开来，如果名称重复，则只留下一个

所以，到目前为止，我所做的是将一个文本文件转换成字符串，消除了不必要的特殊字符

import re

path = 'E:\Data Science\Personal_Project\Church\Data\original.txt'

def open_text(path):
    with open(path, "r", encoding='euc-kr') as f:
        text = f.readlines()
        string = ''.join(text)
        unicode_line = string.translate({ord(c): None for c in '.;*\n'})
        cleaned = re.split('-|', unicode_line)


print(unicode_line, type(cleaned))
return(cleaned)

问题是。我想在上面的函数中添加什么

1） 如果虚线前面有一个字母（例如，“考勤---”），我希望在将其拆分为虚线之前删除它前面的文本（例如，“考勤”）

2） 或者我想列一个清单-【出勤、退房、度假】-我想删除清单中的单词

如果你能告诉我一个更好的方法或者一个更像蟒蛇的方法，我将不胜感激

为方便起见，我将添加一个示例文本

Status of January 20th




** Attendance
-----------

John Smith, John Smith, Bob Smith, Mike Smith, Jane Jones, Daniel Lee, Dong Jones, Jeannie Jones, Jessica Yi, McAleer Chung, Shu K Smith, Song Kim, Steve Carlos, Bob Smith





** Absent
---------

holiday, unauthorized, unpaid leave, emergency
------------------------------------------------------------------------------------------- 
Brown Williams, Paul Garcia

另外，这里是我想要的输出，只有未重复的名称。如果你看到上面，有两个约翰·史密斯和两个鲍勃·史密斯。最后，如果我能按字母顺序得到它，那就太棒了

Output:


John Smith, Bob Smith, Mike Smith, Jane Jones, Daniel Lee, Dong Jones, Jeannie Jones, Jessica Yi, McAleer Chung, Shu K Smith, Song Kim, Steve Carlos, Brown Williams, Paul Garcia

---

如果我理解正确，您希望获得文档中所有名称的

集

，在某些标题行中没有单词，在预定义的非名称单词列表中没有单词，如“假期”

首先，我建议不要加入所有行，然后您可以检查一行是否以

-

或

*

开头，并排除该行。这也使得跳过标题的第一行变得更容易。然后，您可以定义非姓名单词列表，在文件中的行上循环并按

，

拆分

non_names = set("holiday, unauthorized, unpaid leave, emergency".split(", "))
with open("text.txt") as f:
    next(f) # skip first line
    names = set()
    for line in f:
        if not line.startswith(("*", "-")):
            for name in line.strip().split(", "):
                if name and name not in non_names:
                    names.add(name)

或者直接在复杂生成器表达式上使用

set

：

    names = set(name for line in f
                     if not line.startswith(("*", "-"))
                     for name in line.strip().split(", ")
                     if name and name not in non_names)

无论是哪种方式，结果都是

{'John Smith'、'Jeannie Jones'、'Mike Smith'、'Bob Smith'、'McAleer Chung'、'Steve Carlos'、'Brown Williams'、'Jessica Yi'、'Paul Garcia'、'Jane Jones'、'Shu K Smith'、'Song Kim'、'Daniel le。要获得已排序的名称，只需对
集合进行排序
，或者如果要按姓氏排序，请使用特殊的
键
功能：

names = sorted(names, key=lambda s: s.split()[-1])

如果我理解正确，您希望获得文档中所有名称的
集
，在某些标题行中没有单词，在预定义的非名称单词列表中没有单词，如“假期”

首先，我建议不要加入所有行，然后您可以检查一行是否以
-
或
*
开头，并排除该行。这也使得跳过标题的第一行变得更容易。然后，您可以定义非姓名单词列表，在文件中的行上循环并按
，
拆分

non_names = set("holiday, unauthorized, unpaid leave, emergency".split(", "))
with open("text.txt") as f:
    next(f) # skip first line
    names = set()
    for line in f:
        if not line.startswith(("*", "-")):
            for name in line.strip().split(", "):
                if name and name not in non_names:
                    names.add(name)

或者直接在复杂生成器表达式上使用
set
：

    names = set(name for line in f
                     if not line.startswith(("*", "-"))
                     for name in line.strip().split(", ")
                     if name and name not in non_names)

无论是哪种方式，结果都是
{'John Smith'、'Jeannie Jones'、'Mike Smith'、'Bob Smith'、'McAleer Chung'、'Steve Carlos'、'Brown Williams'、'Jessica Yi'、'Paul Garcia'、'Jane Jones'、'Shu K Smith'、'Song Kim'、'Daniel le。要获得已排序的名称，只需对
集合进行排序
，或者如果要按姓氏排序，请使用特殊的
键
功能：

names = sorted(names, key=lambda s: s.split()[-1])

潜在解决方案：

假定文件的格式与您给定的相同
逐行检查文件
忽略第一个和第二个单词未大写的所有行
然后将该行作为名称列表处理

for line in file:
  words = line.split(",")

  #No one has just one name like Tupac
  if len(words) > 1:
    #Check to see if first letter of both words are uppercase
    if isUpper(words[0][0]) and isUpper(words[1][0]):
      #name line
      list_to_be_returned+=words

类似的东西可能是潜在的解决方案：

with open(filename)as file:
    words = file.read().split()

假定文件的格式与您给定的相同
逐行检查文件
忽略第一个和第二个单词未大写的所有行
然后将该行作为名称列表处理

for line in file:
  words = line.split(",")

  #No one has just one name like Tupac
  if len(words) > 1:
    #Check to see if first letter of both words are uppercase
    if isUpper(words[0][0]) and isUpper(words[1][0]):
      #name line
      list_to_be_returned+=words

大概是这样吧

with open(filename)as file:
    words = file.read().split()

也可以使用正则表达式

import re

with open(filename)as file:
    words = re.findall(r'([\w]+)', file.read())

也可以使用正则表达式

import re

with open(filename)as file:
    words = re.findall(r'([\w]+)', file.read())

不太清楚。您能为该文件显示一些示例输出吗？另外，我认为仅仅是连接所有行并删除
\n
会让事情变得更困难。@tobias_k我添加了我想要的输出！我不太清楚。您能为该文件显示一些示例输出吗？另外，我认为仅仅是连接所有行并删除
\n
会让事情变得更困难。@tobias_k我添加了我想要的输出！谢谢你，我能清楚地理解你的解释。如果字符串类似于“non name name”，即“school James Harden”，则school与虚线和James之间没有空格。我怎样才能从中得到詹姆斯·哈登？我想当你使用line.strip（）.split（“，”@YunTaeHwang时，我可以再添加一个delimeter。你可能也可以用
-
进行拆分，但是包含
-
的名称呢？这些情况并不少见。最好使用一些正则表达式（假设它们只能出现在行的开头）从行的开头剥离它们。您可以在re.sub（“^[a-z]+-”，line.strip（））.split（“，”）中尝试
查找名称。谢谢，我可以清楚地理解您的解释。如果字符串类似于“non name name”，即“school James Harden”，则school与虚线和James之间没有空格。我怎样才能从中得到詹姆斯·哈登？我想当你使用line.strip（）.split（“，”@YunTaeHwang时，我可以再添加一个delimeter。你可能也可以用
-
进行拆分，但是包含
-
的名称呢？这些情况并不少见。最好使用一些正则表达式（假设它们只能出现在行的开头）从行的开头剥离它们。您可以在re.sub（“^[a-z]+-”，line.strip（））中尝试
查找名称。拆分（“，”）
这不是不完整吗？你只需要得到一个单词列表；你既不过滤掉没有名字的部分，也不知道哪些单词是同一个名字的一部分。这不是不完整吗？你只需要得到一个单词列表；您既不过滤掉非名称部分，也不知道哪些单词是同一名称的一部分。