☰

Обработка текстовых данных

tag-icon • tag-icon windows linux bash shell-script text-editing
Обработка текстовых данных

У меня есть этот простой текстовый файл, который мне нужно автоматически проверить, и результаты, записанные в другой простой текстовый файл. Обратите внимание, что я буду использовать простой текст и CSV взаимозаменяемо, поскольку CSV — это простой текст с общими разделителями между данными (запятыми, табуляциями и т. д.).

Примеры данных

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

Процесс один- распознать первые два раздела данных ( text- number), чтобы повторить и подсчитать их в выходном CSV-файле:

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

Процесс два- Первая часть данных, собранных выше, имеет своего рода первичный ключ, назначенный им в другом файле. Я хотел бы также получить первичные ключи, упомянутые в недавно сгенерированных файлах:

#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

Так что, по сути, я спрашиваю ее, есть ли программное обеспечение, которое может мне помочь с этим на операционных системах Windows или Linux. Bash может помочь мне с более простой обработкой, но я не думаю, что он может справиться с таким объемом. Пожалуйста, посоветуйте.

решение1

  1. Выберите предпочитаемый язык — Perl хорошо работает с текстом; Python, PHP и Ruby тоже подойдут, хотя и немного медленнее.
  2. Сначала прочтите ключевой файл:
    • разделить каждую key,dataстроку на keyи data,
    • затем сохраните оба в словаре/хэше/массиве:keys[data] = key
    • также counts[data] = 0если язык требует инициализации
  3. Прочитать все файлы данных:
    1. используйте регулярное выражение для поиска данных «TEXT-NUMBER» в начале каждой строки,
    2. увеличение counts[data]на единицу,
    3. и немедленно вывести keys[data], строку и counts[data].

Я написал пример скрипта на Perl и Python, так что выбор за вами:

процесс.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);
}

процесс.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)

решение2

Я бы сделал это вПитонс использованиемобычные выражения. Просто введите pythonсвою оболочку, чтобы проверить, установлена ​​ли она.

В противном случае вы можете использоватьПерл. Просто введите perlваш shell, чтобы увидеть, установлен ли он. Он имеетвстроенная поддержка регулярных выражений.

решение3

Процесс 1

perl count.pl datafile …

где count.pl это что-то вроде

#!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";
  }
}

Не проверено, будьте бдительны.

Процесс 2

Добавьте что-то вроде

   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;
   }

и измените строку печати END {}на

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

Опять же, не проверено.

Вы будете генерировать предупреждения, если файл данных содержит заголовочные слова, которых нет в файле ключей. Вы можете проверить, $key{$_}не определено ли это, и если да, вывести без ключа.

Связанный контент