Python正则表达式内部循环

我正在尝试用正则表达式解析文档列表（无法使用用户BeautifulSoup）。我现在可以循环遍历文件夹中的每个txt文档，但我现在必须解析它们。我使用Python才几天，现在有点困惑

我想生成一个字典，ID为

，值为

文件的示例：

<DOC>
<DOCNO> 443 </DOCNO>
<TEXT>Hello Word</TEXT>
</DOC>
<DOC>
<DOCNO> 3745 </DOCNO>
<TEXT> Hola amigo </TEXT>
</DOC>

443
你好词
3745
你好，朋友

到目前为止，我的代码是：

    path = "data"

    for filename in os.listdir(path):
        print(filename)
        file = open(path + "/" + filename)
        page = file.read()
        page = page.replace('  ', ' ')

        //stuck here 
        doc_regex = re.compile("<DOC>.*?</DOC>", re.DOTALL)
        docno_regex = re.compile("<DOCNO>.*?</DOCNO>")
        text_regex = re.compile("<TEXT>.*?</TEXT>", re.DOTALL)

path=“数据”
对于os.listdir（路径）中的文件名：
打印（文件名）
文件=打开（路径+“/”+文件名）
page=file.read（）
第页=第页。替换（“”，“”）
//困在这里
doc_regex=re.compile（“*”，re.DOTALL）
docno_regex=re.compile（“.*？”）
text_regex=re.compile（“*”，re.DOTALL）

最佳实践是在模块级编译一次正则表达式（而不是在

for

循环中）。 例如，您可以编写：

重新导入
doc_regex=re.compile（（*），re.DOTALL）
docno_regex=re.compile（（*？）
text_regex=re.compile（（*？），re.DOTALL）

第一次加载模式时，将编译正则表达式

注意：在正则表达式中，需要使用组“（…）”来检索每个标记的内容

有几个陷阱：

• 您应该使用

  os.path.join

  来计算文件的完整路径（在Windows上，路径分隔符是

  \

  ，而不是

  /

  ）

  os.path.join

  就是为您这样做的

• 应该使用

  with

  语句打开文件并指定文件编码。在文本模式下，如果未指定编码，则使用的编码取决于平台

因此，您的循环可以转换为：

path=“数据”
对于os.listdir（路径）中的文件名：
fullpath=os.path.join（路径，文件名）
打印（文件名）
打开（完整路径，模式=“r”，编码=“utf-8”）作为fd：
page=fd.read（）

要解析数据，可以使用

re.findall

。还有其他的方法，还有

您可以使用doc_regex查找每个

…

，然后使用docno_regex和text_regex查找docno和文本

在循环中，可以这样做：

用于doc_regex.findall（第页）中的doc_内容：
docno=docno_regex.findall（doc_内容）[0].strip（）
text=text\u regex.findall（文档内容）[0].strip（）
打印（文件编号、文本）

要在字典中存储每个条目，可以定义一个

dict

，如下所示：

result={}
对于doc_regex.findall（第页）中的doc_内容：
docno=docno_regex.findall（doc_内容）[0].strip（）
text=text\u regex.findall（文档内容）[0].strip（）
结果[docno]=文本

你会得到：

{'3745'：'Hola amigo'，'443'：'Hello Word'}

为什么不能使用BeautifulSoup？这个怎么样

from simplified_scrapy.simplified_doc import SimplifiedDoc
html ='''
<DOC>
<DOCNO> 443 </DOCNO>
<TEXT>Hello Word</TEXT>
</DOC>
<DOC>
<DOCNO> 3745 </DOCNO>
<TEXT> Hola amigo </TEXT>
</DOC>
'''
xml = SimplifiedDoc(html)
docs = xml.selects('DOC')
dic = {}
for doc in docs:
  dic[doc.DOCNO.text]=doc.TEXT.text
print (dic)

不能使用用户美化组，嗯，为什么？你能使用其他图书馆吗？

{'443': 'Hello Word', '3745': 'Hola amigo'}