文档中出现重复段落，并对段落中的信息提取

Big-Man

文档中这样重复出现以
*D_NET 开头的行和以*END 结尾的行
并且这两行中的内容也是分段落出现的，应该如何去获取到
比如*CAP到*RES中间所有的内容，和*RES到*END中间所有的内容呢

Mike_python小

你可以通过正则表达式来提取这些重复出现的段落信息。以下是一个解决方案，用于从文档中提取以*D_NET 开头和以*END 结尾的段落。

2. import re
4. # 读取文档内容
5. with open('document.txt', 'r') as f:
6.     content = f.read()
8. # 使用正则表达式匹配*D_NET到*RES段落中的内容
9. pattern = re.compile(r'\*D_NET((?!^\*RES).)+\*\sRES', re.DOTALL | re.MULTILINE)
10. matches = pattern.findall(content)
12. # 输出结果
13. for match in matches:
14.     print(match)
16. # 使用正则表达式匹配*RES到*END段落中的内容
17. pattern = re.compile(r'\*RES((?!^\*END).)+\*\sEND', re.DOTALL | re.MULTILINE)
18. matches = pattern.findall(content)
20. # 输出结果
21. for match in matches:
22.     print(match)

复制代码

在这个程序中，我们首先打开一个文本文件并读取其内容。我们使用正则表达式来匹配以*D_NET开始和以*END结尾的段落。使用re.compile()函数编译正则表达式，然后使用findall()函数在文本中查找所有匹配项。

在第一个正则表达式中，我们匹配以*D_NET开始到*RES结束的段落内容，使用了否定向前预测来排除由*RES开始的新段落。在第二个正则表达式中，我们匹配以*RES开始到*END结束的段落内容，依然使用了否定向前预测来排除由*END开始的新段落。

这个程序可以提取出这些重复出现的段落信息并输出到控制台上。你可以根据需要修改代码以适用于你的文档。

球一个最佳答案谢谢啦！这对我非常重要！

陶远航

您可以使用Python的正则表达式库（re）来解决这个问题。以下是一个示例代码，可以帮助您提取*D_NET到*END之间的内容，包括*CAP到*RES和*RES到*END之间的内容：

1. import re
   
2. 
   
3. # 假设您的文档内容存储在变量text中
   
4. text = """
   
5. *D_NET
   
6. Some content here
   
7. *CAP
   
8. Content between CAP and RES
   
9. *RES
   
10. Content between RES and END
    
11. *END
    
12. """
    
13. 
    
14. # 使用正则表达式找到*D_NET到*END之间的所有内容
    
15. matches = re.findall(r'\\*D_NET(.*?)\\*END', text, re.DOTALL)
    
16. 
    
17. # matches现在包含了所有匹配的内容，每个匹配都是一个字符串
    
18. for match in matches:
    
19.     # 再次使用正则表达式，分别找到*CAP到*RES和*RES到*END之间的内容
    
20.     cap_to_res = re.search(r'\\*CAP(.*?)\\*RES', match, re.DOTALL)
    
21.     res_to_end = re.search(r'\\*RES(.*?)\\*END', match, re.DOTALL)
    
22. 
    
23.     if cap_to_res:
    
24.         print("Content between *CAP and *RES:")
    
25.         print(cap_to_res.group(1).strip())  # 使用group(1)获取匹配的内容，使用strip()去除前后的空白字符
    
26. 
    
27.     if res_to_end:
    
28.         print("Content between *RES and *END:")
    
29.         print(res_to_end.group(1).strip())
    

复制代码

这个代码首先找到所有*D_NET到*END之间的内容，然后对每个匹配的内容，再分别找到*CAP到*RES和*RES到*END之间的内容。注意，这个代码假设*CAP和*RES，*RES和*END之间的内容不会包含这些标记本身。如果实际情况不是这样，您可能需要修改正则表达式以适应您的需求。
请注意，本回答来自GPT-4
如果问题已经解决，请设置最佳答案

isdkz

您可以使用正则表达式来提取文档中特定段落的内容。以下是一个示例代码，可以帮助您实现这个功能：

1. import re
   
2. 
   
3. def extract_paragraphs(text, start_pattern, end_pattern):
   
4.     # 构建正则表达式模式，匹配以start_pattern开头，以end_pattern结尾的段落
   
5.     pattern = r'{}(.*?){}'.format(re.escape(start_pattern), re.escape(end_pattern))
   
6.     # 使用re.findall函数查找匹配的段落
   
7.     paragraphs = re.findall(pattern, text, re.DOTALL)
   
8.     return paragraphs
   
9. 
   
10. # 示例用法
    
11. document = """
    
12. 文档中这样重复出现以
    
13. *D_NET 开头的行和以*END 结尾的行
    
14. 并且这两行中的内容也是分段落出现的，应该如何去获取到
    
15. 比如*CAP到*RES中间所有的内容，和*RES到*END中间所有的内容呢
    
16. 
    
17. *D_NET
    
18. 这是第一个段落的内容
    
19. *CAP
    
20. 这是第一个段落的第二行
    
21. *RES
    
22. 这是第一个段落的第三行
    
23. *END
    
24. 
    
25. *D_NET
    
26. 这是第二个段落的内容
    
27. *CAP
    
28. 这是第二个段落的第二行
    
29. *RES
    
30. 这是第二个段落的第三行
    
31. *END
    
32. """
    
33. 
    
34. start_pattern = "*D_NET"
    
35. end_pattern = "*END"
    
36. 
    
37. result = extract_paragraphs(document, start_pattern, end_pattern)
    
38. for paragraph in result:
    
39.     print(paragraph)
    

复制代码

这段代码中， extract_paragraphs  函数接受三个参数： text  是要提取段落的文本， start_pattern  是段落开始的模式， end_pattern  是段落结束的模式。函数使用  re.findall  函数和正则表达式模式来查找匹配的段落，并返回一个包含所有匹配段落的列表。

在示例代码中，我们将文档作为字符串传递给  extract_paragraphs  函数，并指定  *D_NET  作为段落开始的模式， *END  作为段落结束的模式。然后，我们遍历提取到的段落列表，并打印每个段落的内容。

输出结果将是：

1. 这是第一个段落的内容
   
2. 这是第一个段落的第二行
   
3. 这是第一个段落的第三行
   
4. 
   
5. 这是第二个段落的内容
   
6. 这是第二个段落的第二行
   
7. 这是第二个段落的第三行
   

复制代码

您可以根据实际情况修改  start_pattern  和  end_pattern  来适应不同的文档结构和需求。