用Python提取科技论文信息？

我刚刚接触Python，碰巧我需要从几篇科学论文中提取一些信息

如果给定纯文本，如：

简介
一些长文

方法学
一些长文

结果
一些长文

我怎么能像下面这样把一篇论文放到字典里呢

paper_1 = {
           'Introduction': some long writings,
           'Methodology': some long writings,
           'Results': some long writings
          }

非常感谢：-）

---

在尝试之后，我运行了一些代码，但效果并不理想：

text = 'introduction This is the FIRST part.' \
       'Methodologies This is the SECOND part.' \
       'results This is the THIRD part.'

import re
from re import finditer

d={}
first =[]
second =[]
title_list=[]
all =[]

for match in finditer("Methodology|results|methodologies|introduction|", text, re.IGNORECASE):
    if match.group() is not '':
        title = match.group()
        location = match.span()
        first.append(location[0])
        second.append(location[1])
        title_list.append(title)

all.append(first)
all.append(second)

a=[]
for i in range(2):
    j = i+1
    section = text[all[1][i]:all[0][j]]
    a.append(section)

for i in zip(title_list, a):
    d[i[0]] = i[1]
print (d)

这将产生以下结果：

{
'introduction': ' This is the FIRST part.', 
'Methodologies': ' This is the SECOND part.'
}

但是,

i） 它无法提取最后一位，这是结果部分

(ii)。在循环中，我给range（）函数输入了2，因为我知道只有3个部分（简介、方法和结果），但在一些论文中，人们会添加更多的部分，我如何能自动为range（）指定正确的值？例如，一些论文可能有以下部分：

简介
一些长文

关于某事的一般背景
一些长文

某种类型的章节标题
一些长文

方法学
一些长文

结果
一些长文

(iii)。有没有更有效的方法可以在每个循环中构建字典？所以我不需要使用第二个循环

---

2018年3月30日更新：

代码更新如下：

def section_detection(text):
    title_list=[]
    all =[[],[]]
    dic={}
    count = 0
    pattern = '\d\. [A-Z][a-z]*'

    for match in finditer(pattern, text, re.IGNORECASE):
        if match.group() is not '':
            all[0].append(match.span()[0])
            all[1].append(match.span()[1])
            title_list.append(match.group())
            count += 1

    for i in range(count):
        j = i+1
        try:
            dic[title_list[i]]=text[all[1][i]:all[0][j]]
        except IndexError:
            dic[title_list[i]]=text[all[1][i]:]

    return dic

import re
from re import finditer
text = '1. introduction This is the FIRST part.' \
       '2. Methodologies This is the SECOND part.' \
       '3. results This is the THIRD part.'\
       '4. somesection This SOME section'

dic = section_detection(text)
print(dic)

如果按以下方式执行：

def section_detection(text):
    title_list=[]
    all =[[],[]]
    dic={}
    count = 0
    pattern = '\d\. [A-Z][a-z]*'

    for match in finditer(pattern, text, re.IGNORECASE):
        if match.group() is not '':
            all[0].append(match.span()[0])
            all[1].append(match.span()[1])
            title_list.append(match.group())
            count += 1

    for i in range(count):
        j = i+1
        try:
            dic[title_list[i]]=text[all[1][i]:all[0][j]]
        except IndexError:
            dic[title_list[i]]=text[all[1][i]:]

    return dic

import re
from re import finditer
text = '1. introduction This is the FIRST part.' \
       '2. Methodologies This is the SECOND part.' \
       '3. results This is the THIRD part.'\
       '4. somesection This SOME section'

dic = section_detection(text)
print(dic)

给出：

{'1. introduction': ' This is the FIRST part.', '2. Methodologies': ' This is the SECOND part.', '3. results': ' This is the THIRD part.', '4. somesection': ' This SOME section'}

非常感谢你们大家！：-）

试试这个：

text = 'introduction This is the FIRST part. ' \
       'Methodologies This is the SECOND part. ' \
       'results This is the THIRD part. ' \

import re

kw = ['methodology', 'results', 'methodologies', 'introduction']

pat = re.compile(r'(%s)' % '|'.join(kw), re.IGNORECASE)

sp = [x for x  in re.split(pat, text) if x]
dic = {k:v for k,v in zip(sp[0::2],sp[1::2])}

print(dic)

---

但这只是你的例子，在现实世界的文档中，不要太多。您还没有指定，“简介”之前的文本是什么，以及有人在纯文本中提到“结果”是什么？

非常喜欢@Franz Forstmayr编写的正则表达式。我只是想指出一些打破它的方法

text = '''
introduction This is the FIRST part.
introductionMethodologies This is the SECOND part.
results This is the THIRD part.
'''

import re
#### Regex based on https://stackoverflow.com/a/49546458/8083313
kw = ['methodology', 'results', 'methodologies', 'introduction']
pat = re.compile(r'(%s)' % '|'.join(kw), re.IGNORECASE)

sp = [x for x  in re.split(pat, text) if x]
print sp
dic = {k:v for k,v in zip(sp[0::2],sp[1::2])}

print(dic)


# {'\n': 'introduction',
#  'Methodologies': ' This is the SECOND part.\n',
#  ' This is the FIRST part.\n': 'introduction', 
#  'results': ' This is the THIRD part.\n'}

您可以看到列表由于字符\n而移位，并且字典已损坏。因此，我建议放置一个硬切片

out = re.split(pat, text)
lead = out[0:1]; ### Keep the lead available in case needed
sp = out[1:]

print sp
dic = {k:v for k,v in zip(sp[0::2],sp[1::2])}

print(dic)

# {'introduction': '',
#  'Methodologies': ' This is the SECOND part.\n',
#  'results': ' This is the THIRD part.\n'}

---

听起来是个有趣的问题：开始编码。如果遇到问题，请带着代码回来，我们可能会提供帮助。所以是关于修正你的代码，而不是实现你的想法。请反复阅读，如果您有问题，请提供您的代码。如果遇到错误，请将错误消息逐字复制并粘贴到问题中。避免使用屏幕截图-我们无法复制和粘贴这些截图来修复您的代码。嗨，Patrick，非常感谢您的建议，我已经上传了代码。这叫做-查找有关这方面的问题和文章。如果您有特定的编码问题，请返回。另外，arxiv.org可能是一个很好的起点。非常有趣的是，您刚刚导入了

finditer

，并将其放在那里……感谢您的提示。我从上面的例子开始。删除它：）