处理纯文本数据

处理纯文本数据

我有这个纯文本文件,需要自动检查并将结果写入另一个纯文本文件。请注意,我将交替使用纯文本和 CSV,因为 CSV 是纯文本,数据之间有公共分隔符(逗号、制表符等)。

数据示例

ABD-01A
ABD-01B
ABD-01C
AL-25A
AL-25B

流程一- 识别数据的前两部分(text- number)以在输出 CSV 中重复并对其进行计数:

ABD-01,1
ABD-01,2
ABD-01,3
AL-25,1
AL-25,2

流程二- 上面收集的数据的第一部分在不同的文件上被分配了某种主键。我还想获取新生成的文件中提到的主键:

#primary key file
1,ABD-01
2,ABD-02
3,AL-02
20,AL-25

#newly generated file
1,ABD-01,1
1,ABD-01,2
1,ABD-01,3
20,AL-25,1
20,AL-25,2

所以基本上,我问她是否有任何软件可以在 Windows 或基于 Linux 的操作系统上帮助我解决这个问题。Bash 可以帮助我进行更简单的处理,但我认为它不能处理这么多。请提供建议。

答案1

  1. 选择您喜欢的语言 – Perl 适用于文本;Python、PHP 和 Ruby 也可以,但速度稍慢。
  2. 首先读取密钥文件:
    • 将每key,data行拆分为keydata
    • 然后将两者都存储在字典/哈希/数组中:keys[data] = key
    • 如果counts[data] = 0语言要求初始化
  3. 读取所有数据文件:
    1. 使用正则表达式查找每行开头的“TEXT-NUMBER”数据,
    2. counts[data]一,
    3. 并立即输出keys[data]、行 和counts[data]

我用 Perl 和 Python 编写了一个示例脚本,因此您可以选择:

进程.pl

#!/usr/bin/env perl
use strict;

sub usage {
    print "Usage: $0 <key_file> <data_file...>\n";
    return 2;
}

my $keys_file = shift(@ARGV) // exit(usage);
my @data_files = @ARGV;

my %keys;   # $data => $primarykey
my %counts; # $data => $count

# Read keys

open(my $fh, "<", $keys_file) or die "$!";
while (my $line = <$fh>) {
    chomp($line);
    my ($key, $datum) = split(/,/, $line, 2);
    if (!defined $datum) {
        warn "$keys_file: line $. not in KEY,DATA format: '$line'\n";
        next;
    }

    $keys{$datum} = $key;
    $counts{$datum} = 0;
}
close($fh);

# Read and output data

my $ex = qr/^(\w+-\d+)\w*/;
for my $data_file (@data_files) {
    open(my $fh, "<", $data_file) or die "$!";
    while (my $line = <$fh>) {
        chomp($line);
        if ($line =~ /$ex/) {
            my $datum = $1;
            if (!defined $keys{$datum}) {
                warn "no primary key found for data '$datum'\n";
                next;
            }

            # Increment count, then print processed line immediately
            $counts{$datum}++;
            print "$keys{$datum},$&,$counts{$datum}\n";
        }
        else {
            warn "$data_file: line $. does not begin with TEXT-NUMBER: '$_'\n";
        }
    }
    close($fh);
}

进程.py

#!/usr/bin/env python
from __future__ import print_function
import sys
import re

def usage():
    print("Usage: %s <key_file> <data_file...>" % sys.argv[0])
    return 2

try:
    keys_file = sys.argv[1]
    data_files = sys.argv[2:]
except IndexError:
    sys.exit(usage())
except ValueError:
    sys.exit(usage())

keys = {}
counts = {}

# Read keys

for line in open(keys_file, "r"):
    try:
        key, datum = line.strip().split(",", 1)
    except ValueError:
        print("%s: line not in KEY,DATA format: %r" \
            % (keys_file, line.strip()), file=sys.stderr)
        continue

    keys[datum] = key
    counts[datum] = 0

# Read and output data

ex = re.compile(r'^(\w+-\d+)\w*')
for data_file in data_files:
    for line in open(data_file, "r"):
        line = line.strip()
        m = re.match(ex, line)
        if m:
            datum = m.group(1)
            if datum not in keys:
                print("no primary key found for data %r" % datum,
                    file=sys.stderr)
                continue

            # Increment count, then print processed line immediately
            counts[datum] += 1
            print("%s,%s,%d" % (keys[datum], m.group(0), counts[datum]))
        else:
            print("%s: line does not begin with TEXT-NUMBER: %r" \
                % (data_file, line.strip()), file=sys.stderr)

答案2

我会这样做Python使用常用表达。只需python在您的 shell 中输入即可查看它是否已安装。

否则你可以使用Perl。只需输入perl您的 shell 即可查看它是否已安装。是否有内置正则表达式支持

答案3

流程 1

perl count.pl datafile …

其中 count.pl 类似于

#!perl
use strict;
use warnings;

my %headwordcount;

while (<>) {
  if (/^([A-Z]+-\d+)/) { $headwordcount{$1}++; }
  # else { warn "Bad data: $_"; } # uncomment line for data warnings
}

END {
  foreach (sort keys %headwordcount) {
     print "$_,$headwordcount{$_}\n";
  }
}

未经测试,买者自慎。

流程 2

添加类似

   my %key;

   BEGIN {
     my $keyfilename = 'primary.key';
     open my $fh, '<', $keyfilename or die "Can't read '$keyfilename' - $!\n";
     while (<$fh>) {
        chomp;
        my ($key,$headword) = split(/,/, $_, 2);
        $key{$headword} = $key;        
     }
     close $fh;
   }

并将打印行更改END {}

   print "$key{$_},$_,$headwordcount{$_}\n";

再次,未经测试。

如果数据文件包含密钥文件中没有的词条,您将生成警告。您可以检查是否$key{$_}未定义,如果是,则打印无密钥。

相关内容