需要帮助来解析复杂的文本文件

问题描述

我有一个结构如下的文本文件，我想使用python提取数据帧中的数据。数据框应具有PMID以及针对每个PMID针对作者显示的所有文本。

数据格式

PMID-唯一的8位数字
xyz-文字（可能是多行）
xyz-文字（可能是多行）
作者-文字（可能是多行）
作者-文字（可能是多行）

PMID-唯一的8位数字
xyz-文字（可能是多行）
xyz-文字（可能是多行）
作者-文字（可能是多行）
作者-文本（可能是多行）

我在python中尝试过的代码如下-我能够提取所有PMID，但是我无法弄清楚将所有作者文本附加到每个PMID的逻辑。

for lines in open('pubmed-cancerbiol.txt','r'):
    if(lines[0:4] == 'PMID'):
        print(lines)

解决方法

您可以使用以PMID作为键，以AUTHOR作为值的字典收集数据。

假设您从文件开始

from io import StringIO
fo = StringIO(
'''PMID- 12345678
xyz - text (might be multiple lines)
xyz- text (might be multiple lines)
AUTHOR- author1
AUTHOR- author2

PMID- 12345679
xyz - text (might be multiple lines)
xyz- text (might be multiple lines)
AUTHOR- author3
AUTHOR- author4''')
    
# with open(filename,'r') as fo:

然后迭代行并填充字典

records = dict()
pmid = None
for line in fo.readlines():
    if line.startswith('PMID-'):
        pmid = line.split('-')[-1].strip()
        records[pmid] = []
    elif line.startswith('AUTHOR'):
        records[pmid].append(line.split('-')[-1].strip())

在创建数据框时，您会df = pd.DataFrame(records)将每个作者都列为一列或加入列表，然后再传递给数据框构造器

df = pd.DataFrame(
    [','.join(r) for r in records.values()],index=records.keys()
)

输出

                         0
12345678  author1,author2
12345679  author3,author4