两个txt文件内容中重复词的对比 求助
您好，我有两个文件内容的比对小问题想请大家帮助，帖子内容看起来呜呜喳喳的有点多，其实很简单，希望大家看一下，万分感谢。具体而言如下：
我有两个文件A.txt和B.txt（均已在下方附件中给到）：
A.txt（内容示例与格式）：
{A}
{B}
{C}
{D} 格式：（一个集合一行。）
{E}
{F}
B.txt（内容示例与格式）：
有两行内容分别是：
整体词:部分词 格式：（整体词和部分词 以“:”隔开，上述A.txt内的一些集合之间 构成了B.txt的内容，换句话说B.txt的内容都在A.txt内，只是排序不一样。）
{A}:G,{E}#G,{F} 格式：（“:”后面的部分词以#隔开，每个集合前面都有标示的"G,"或者“H,”或者“BM,”等总计三种标识,这三个标识不参与词汇间的比对！不参与！不参与！）
{B}:G,{E}#G,{F} 格式：（“:”后面的部分词中有很多重复的集合，如{A}，{B}的部分词是一样的。）
{C}:H,{I}#BM,{J}
{F}:H,{Q}
代码内容对比要求：
把B.txt中的每一行分别与A.txt中的内容循环对比，若有匹配到，那么给予其“:"前或后的一行内容。生成一个C.txt,其有五行内容，分别是：
结果示例：
A.txt中的全部词汇 是否有整体词 整体词 是否有部分词 部分词
{A} 0 0 1 G,{E}#G,{F}
{B} 0 0 1 G,{E}#G,{F}
{C} 0 0 1 H,{I}#BM,{J}
{D} 0 0 0 0
{E} 1 {A}#{B} 0 0
{F} 1 {A}#{B} 1 H,{Q}
A.txt中的全部词汇（这一行需要严格按照原来的顺序，不想搞混）
结果是这个样子的。最后生成的C是txt或者excel表都行。其实,说白了就是把B.txt内的两行词汇分别对比A.txt的内容给，之后给予了重新编排（请对比看B.txt中的一行内容：{A}:G,{E}#G,{F}与上面的结果示例结果，一看便知）。说的可能还不够简练，不过希望您能看下，很有规律可循。
我要求的结果，有点让大家费脑子了，不过找到规律的话对大家而言一定是小case，希望您练个手，帮助搞一下，再次感谢，Wish you have a nice day....
附件：
比对完了，代码如下：
import re
from collections import OrderedDict
from openpyxl import Workbook
regex = re.compile(r'{.*?}')
class Entry:
"""自定义Entry类，用于记录比对结果"""
def __init__(self) -> None:
self.has_full_word = "0"
self.full_word = "0"
self.has_partial_word = "0"
self.partial_word = "0"
# 打开A.txt并读取其全部内容
with open("A.txt", encoding="utf-8") as f:
lines = f.readlines()
# 数据清洗，每一条数据都清理开头和结尾不必要空白部分
# 变量database既作为数据库是匹配的依据
# 也用来记录结果，避免顺序被打乱
database = OrderedDict()
for entry in lines:
database = Entry()# 比对结果用Entry对象保存
# 打开B.txt并读取其全部内容
with open("B.txt", encoding="utf-8") as f:
data_pairs = f.readlines()
# 跳过首行
data_pairs = data_pairs
# 数据清洗，把每一行都拆分为 整体词 和 部分词 两部分，结构如下
# [[整体词, 部分词], [整体词, 部分词], ...]
for idx, entry in enumerate(data_pairs):
data_pairs = entry.strip().split(":")
# 开始匹配
for full_word, partial_word in data_pairs:
# 是否有 部分词
if full_word in database:# 整体词出现在database中则其具有部分词
database.has_partial_word = "1"
database.partial_word = partial_word
# 对 部分词 这一列进行拆分并遍历，判断是否具有 整体词
for item in regex.findall(partial_word):
if item in database:# 如果 部分词 的子集合出现在database中
database.has_full_word = "1"# 标记该子集合具有 整体词
fw = database.full_word
database.full_word = "#".join((fw, full_word))# 增加整体词
# 准备将database记录的结果写入文件
wb = Workbook()
ws = wb.active
ws.append(['A.txt中的全部词汇', '是否有整体词', '整体词', '是否有部分词', '部分词'])
for k, v in database.items():
ws.append([k, v.has_full_word, v.full_word.strip('0#'),
v.has_partial_word, v.partial_word])
wb.save('C.xlsx')
其中openpyxl属于第三方库，用于操作Excel表格，需要额外安装。
如果逻辑上我还是理解有误请告知，文件附后，请注意解压。 我需要的最终结果可能有点复杂了，在此简化一下（这样就很简单了）：
最终结果是两个文件C.txt和D.txt：
C.txt的内容示例：
A.txt中的全部词汇 整体词
{A} 0
{B} 0
{C} 0
{D} 0
{E} {A}#{B}
{F} {A}#{B}
D.txt的内容示例：
A.txt中的全部词汇 部分词
{A} G,{E}#G,{F}
{B} G,{E}#G,{F}
{C} H,{I}#BM,{J}
{D} 0
{E} 0
{F} H,{Q}
这样分开坐就很简单了，谢谢咯。 Amgalang 发表于 2022-8-17 09:48
我需要的最终结果可能有点复杂了，在此简化一下（这样就很简单了）：
最终结果是两个文件C.txt和D.txt： ...
我看了你的描述，直接说吧，每个字我都看得懂，合在一起我就不知道你说的什么意思了。你并不是描述不够简洁，而是词不达意！在表述方面，你混淆了“行”与“列”这两个概念，比如描述B.txt的时候你说“有两行内容分别是：”，而实际上明明是两列内容，还有后文的“C.txt，其有五行内容”，这里的行也应该是列。正因如此，我看了你的描述至少两个小时还没完全理清楚你要表达的意思。
这个程序最大的挑战在于猜测你的需求而不在于编写程序。
我一开始觉得你的程序写起来有点挑战，会很有意思，直到花了差不多两个小时整理你的表述还没理解你的判定标准，我真的太菜了{:10_269:} Brick_Porter 发表于 2022-8-17 10:36
我看了你的描述，直接说吧，每个字我都看得懂，合在一起我就不知道你说的什么意思了。你并不是描述不够简 ...
好吧，不好意思哒 鱼友，给你添加的麻烦。我必须还得再严谨一些，在此真心感谢您的支持。
其实就是把B中的两列内容分别和A的内容对比，然后生成两个文件，分别写入B.txt中每一行对应内容的更多信息（更多信息就是指“:”的前后内容）。再次谢谢了。我再努力搞搞吧。 有产品经理的潜质了 Amgalang 发表于 2022-8-17 11:29
好吧，不好意思哒 鱼友，给你添加的麻烦。我必须还得再严谨一些，在此真心感谢您的支持。
其实就是把B中 ...
其实吧，我还是想挑战一下的，就是看完你的描述始终没有明白“整体词”和“部分词”的判定标准是什么，这也是整个程序的关键点，只要你说明白了我相信很多人都能写出你这个程序。
例如：对于{A}:G,{E}#G,{F}这条记录来说，按照你的格式（整体词:部分词）来说，{A}不就是整体词吗？
为什么在你的结果示例中却变成了{A}的整体词为0？
归根到底，还是因为你没有说明“整体词”与“部分词”的判定标准，是从格式上划分还是从其他角度划分？还是说我的理解是错的，另有其他判定标准？ Brick_Porter 发表于 2022-8-17 12:42
其实吧，我还是想挑战一下的，就是看完你的描述始终没有明白“整体词”和“部分词”的判定标准是什么，这 ...
感谢您的坚持，这次直接说判定标准：
C.txt 生成于A.txt内容与B.txt中的部分词一列内容的对比。
A.txt中的全部词汇 整体词
{A} 0
{B} 0
{C} 0
{D} 0
{E} {A}#{B}
{F} {A}#{B}
判定标准：
Letheed 发表于 2022-8-17 11:43
有产品经理的潜质了
哈哈哈 努力努力 当一个经理看看 给你鱼不如给你渔，如果你只想要鱼的话，抱歉，我这里没有那么多
flex和bison了解一下
https://cn.bing.com/search?form=MOZLBR&pc=MOZI&q=flex%26bison
Amgalang 发表于 2022-8-17 15:46
感谢您的坚持，这次直接说判定标准：
C.txt 生成于A.txt内容与B.txt中的部分词一列内容的对比。
为什么{E}对应的是{A}#{B}呢？ Brick_Porter 发表于 2022-8-17 17:11
为什么{E}对应的是{A}#{B}呢？
{E}在B.txt中的部分词一列出现了两次阿，然后各自对应{A}和{B}所以{A}#{B} 人造人 发表于 2022-8-17 15:57
给你鱼不如给你渔，如果你只想要鱼的话，抱歉，我这里没有那么多
flex和bison了解一下
https://cn.bing.c ...
谢谢咯，这是我目前阶段最后一个 问题了，我会学习的，感谢。 本帖最后由 ZhKQYu 于 2022-8-17 21:25 编辑
处理过后应该是这样吧
def read_file(filename):
with open(filename) as f:
return f.readlines()
def get_word(data, dic):
new_dic = {}
for line in data:
line = line.strip()
if dic.get(line) != None:
new_dic = "#".join(dic)
else:
new_dic = None
return new_dic
def get_value_key_dic(dic):
new_dic = {}
for k, v in dic.items():
for each in v:
elements = each.split("#")
for element in elements:
start = element.find("{")
end = element.find("}")
if new_dic.get(element) == None:
new_dic] = []
new_dic].append(k)
return new_dic
def write_file(filename, k_v, v_k, data):
with open(filename, "w") as f:
for line in data:
line = line.strip()
if k_v != None and v_k != None:
f.write("{}#**#{}#**#{}#**#{}#**#{}\n".format(line, 1, v_k, 1, k_v))
elif k_v != None and v_k == None:
f.write("{}#**#{}#**#{}#**#{}#**#{}\n".format(line, 0, 0, 1, k_v))
elif v_k != None and k_v == None:
f.write("{}#**#{}#**#{}#**#{}#**#{}\n".format(line, 1, v_k, 0, 0))
else:
f.write("{}#**#{}#**#{}#**#{}#**#{}\n".format(line, 0, 0, 0, 0))
def get_key_value_dic(data):
dic = {}
for line in data:
line = line.strip()
key, value = line.split(':', 1)
if dic.get(key) == None:
dic = []
dic.append(value)
return dic
def main():
file_a = read_file('A.txt')
file_b = read_file('B.txt')
key_value_dic = get_key_value_dic(file_b)
part_dic = get_word(file_a, key_value_dic)
value_key_dic = get_value_key_dic(key_value_dic)
all_dic = get_word(file_a, value_key_dic)
write_file("C.txt", part_dic, all_dic, file_a)
if __name__ == '__main__':
main() ZhKQYu 发表于 2022-8-17 20:46
处理过后应该是这样吧
收到了，完美解决，真的很感谢您，我好好学习代码。祝你万事如意，14#的朋友为这个问题跟我讨论了好长时间，所以最佳答案 我给他了。希望理解。再次感谢。 ZhKQYu 发表于 2022-8-17 20:46
处理过后应该是这样吧
您好，收到了，完美解决了我的问题，真的很感谢您的帮助。这次之后我也学到了要更加简练，清晰的说出自己需求的必要性，再次感谢您的帮助。祝你万事如意....
页:
[1]