python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > Python 提取数据

Python 结构化字符串中提取数据详情

作者:盼小辉丶

这篇文章主要介绍了Python 结构化字符串中提取数据详情,文章围绕主题展开详细的内容介绍,具有一定的参考价值,需要的小伙伴可以参考一下

前言

在许多自动化任务中,我们都需要从已知格式结构化的输入文本中提取相关信息。例如,我们可能需要在一段电影评论数据中提取观影时间、电影名、评分等信息,以便存储后进行进一步分析。在本节中,我们将以提取电影评论数据信息为例讲解如何从结构化字符串中提取数据。

从结构化字符串中提取数据

假设我们具有以下结构的电影评分数据,我们需要解析存储观影时间、电影名、评分等信息:

[<Timestamp>] - MOVIE ID: <movie id> - MOVIE NAME: <movie name> - SCORE: <score of the movie>

例如,一条可能的电影评分记录如下所示:

[2022-08-01T11:58:41.504054] - MOVIE ID: 00015 - MOVIE NAME: Inception - SCORE: 8.5

其中,我们使用标准格式表示时间和日期,这在计算机中广泛应用。

字符串解析

首先,导入所需库,并给出所需解析的用户对电影的评分记录:

>>> import delorean
>>> from decimal import Decimal
>>> text = '[2022-08-01T11:58:41.504054] - MOVIE ID: 00015 - MOVIE NAME: Inception - SCORE: 8.5'

将评分记录使用 split() 方法拆分为多个部分,我们使用 “-” 作为分隔符拆分每个元素,将评分记录拆分为 4 部分——时间戳、电影 ID、电影名和电影评分,便于之后将它们解析为正确的类型:

>>> divided_text = text.split(' - ')
>>> divided_text
['[2022-08-01T11:58:41.504054]', 'MOVIE ID: 00015', 'MOVIE NAME: Inception', 'SCORE: 8.5']
>>> timestamp, movie_id, movie_name, score = divided_text

将时间戳解析为 datetime 对象。由于在评分记录中时间戳包含在方括号中,为了正确解析时间戳,需要去掉括号,然后使用 delorean 模块将其解析为日期时间对象:

>>> timestamp = delorean.parse(timestamp.strip('[]'))
>>> timestamp
Delorean(datetime=datetime.datetime(2022, 1, 8, 11, 58, 41, 504054), timezone='UTC')

将 movie_id 解析为整数。为了解析电影 ID,需要使用冒号作为分隔符拆分 movie_id,然后,将最后一个元素解析为整数:

>>> movie_id = int(movie_id.split(':')[-1])
>>> movie_id
15

将评分解析为 Decimal 类型。为了解析电影评分,我们同样使用冒号作为分隔符拆分 score,并将其解析为十进制字符对象 Decimal (这是由于此值解析为浮点类型会改变精度):

>>> score = Decimal(score.split(':')[-1])
>>> score
Decimal('8.5')

为了便于解析和聚合,我们可以将所解析的数据组合在一起成为一个对象。例如,我们可以通过在 Python 代码中定义一个类,来方便的解析和聚合结构化字符串中的数据:

class Movie(object):
    def __init__(self, timestamp, movie_id, movie_name, score):
        self.timestamp = timestamp
        self.movie_id = movie_id
        self.movie_name = movie_name
        self.score = score
        
    def __repr__(self):
        return '<Movie ({}, {}, {})>'.format(self.timestamp, self.movie_id, self.movie_name, self.score)

    @classmethod
    def parse(cls, text):
        '''
        Parse from a text with the format
        [<Timestamp>] - MOVIE ID: <movie id> - MOVIE NAME: <movie name> - SCORE: <score of the movie>
        to a Movie object
        '''
        divided_text = text.split(' - ')
        timestamp, movie_id, movie_name, score = divided_text
        timestamp = delorean.parse(timestamp.strip('[]'))
        movie_id = int(movie_id.split(':')[-1])
        movie_name = movie_name.split(':')[-1]
        score = Decimal(score.split(':')[-1])
        return cls(timestamp=timestamp, movie_id=movie_id, movie_name=movie_name, score=score)

定义 Movie 类完成后,我们可以使用以下方式方便的对评分记录进行解析:

>>> Movie.parse(text)
<Movie (Delorean(datetime=datetime.datetime(2022, 1, 8, 11, 58, 41, 504054), timezone='UTC'), 15,  Inception)>

到此这篇关于Python 结构化字符串中提取数据详情的文章就介绍到这了,更多相关Python 提取数据内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

您可能感兴趣的文章:
阅读全文