将字符串拆分为空白列表,当下一个字符不是破折号时不包括单个空格

Posted

技术标签:

【中文标题】将字符串拆分为空白列表,当下一个字符不是破折号时不包括单个空格【英文标题】:Split string into a list on whitespace, excluding single spaces when the next character is not a dash 【发布时间】:2021-03-26 18:51:38 【问题描述】:

我正在抓取一个包含卫星值表 (https://planet4589.org/space/gcat/data/cat/satcat.html) 的网站。

因为每个条目只用空格分隔,所以我需要一种方法将数据条目的字符串拆分为一个数组。

但是,.split() 函数不适合我的需要,因为某些数据条目有空格(例如 Able 3),我不能只用空格分隔所有内容。 p>

然而,它变得更加棘手。在某些没有可用数据的情况下,使用破折号(“-”)。如果两个数据条目仅由一个空格分隔,其中一个是破折号,我不想将它作为一个条目包含在内。

例如,假设我们有两个条目“Able 3”和“-”,仅由一个空格分隔。在文件中,它们将显示为“Able 3 -”。我想将此字符串拆分为单独的数据条目,“Able 3”和“-”(作为列表,这将是 ["Able 3", "-"])。

另一个例子是需要将“data1 -”拆分成["data1", "-"]

差不多,我需要将一个字符串拆分为一个列表或由空格分隔的单词,除非单词之间有一个空格,并且其中一个不是破折号。

此外,您可以看到这张桌子很大。我想过循环遍历每个字符,但这太慢了,我需要运行数千次。

这是文件开头的示例:

JCAT         Satcat Piece          Type         Name                         PLName                       LDate        Parent        SDate              Primary       DDate              Status Dest           Owner        State        Manufacturer       Bus              Motor        Mass          DryMass      TotMass       Length    Diamete  Span       Shape                            ODate              Perigee   Apogee    Inc     OpOrbitOQU AltNames
S00001       00001  1957 ALP 1     R2           8K71A M1-10                  8K71A M1-10 (M1-1PS)         1957 Oct  4  -             1957 Oct  4 1933   Earth         1957 Dec  1 1000?  R      -              OKB1         SU           OKB1               Blok-A           -                7790         7790          7800    ?   28.0      2.6       28.0    Cyl                              1957 Oct  4             214       938   65.10  LLEO/I -
S00002       00002  1957 ALP 2     P            1-y ISZ                      PS-1                         1957 Oct  4  S00001        1957 Oct  4 1933   Earth         1958 Jan  4?       R      -              OKB1         SU           OKB1               PS               -                  84           84            84         0.6      0.6        2.9    Sphere + Ant                     1957 Oct  4             214       938   65.10  LLEO/I -
S00003       00003  1957 BET 1     P A          2-y ISZ                      PS-2                         1957 Nov  3  A00002        1957 Nov  3 0235   Earth         1958 Apr 14 0200?  AR     -              OKB1         SU           OKB1               PS               -                 508          508          8308    ?    2.0      1.0        2.0    Cone                             1957 Nov  3             211      1659   65.33  LEO/I  -
S00004       00004  1958 ALP       P A          Explorer 1                   Explorer 1                   1958 Feb  1  A00004        1958 Feb  1 0355   Earth         1970 Mar 31 1045?  AR     -              ABMA/JPL     US           JPL                Explorer         -                   8            8            14         0.8      0.1        0.8    Cyl                              1958 Feb  1             359      2542   33.18  LEO/I  -
S00005       00005  1958 BET 2     P            Vanguard I                   Vanguard Test Satellite      1958 Mar 17  S00016        1958 Mar 17 1224   Earth         -                  O      -              NRL          US           NRL                NRL 6"           -                   2            2             2         0.1      0.1        0.1    Sphere                           1959 May 23             657      3935   34.25  MEO    -
S00006       00006  1958 GAM       P A          Explorer 3                   Explorer 3                   1958 Mar 26  A00005        1958 Mar 26 1745   Earth         1958 Jun 28        AR     -              ABMA/JPL     US           JPL                Explorer         -                   8            8            14         0.8      0.1        0.8    Cyl                              1958 Mar 26             195      2810   33.38  LEO/I  -
S00007       00007  1958 DEL 1     R2           8K74A                        8K74A                        1958 May 15  -             1958 May 15 0705   Earth         1958 Dec  3        R      -              OKB1         SU           OKB1               Blok-A           -                7790         7790          7820    ?   28.0      2.6       28.0    Cyl                              1958 May 15             214      1860   65.18  LEO/I  -
S00008       00008  1958 DEL 2     P            3-y Sovetskiy ISZ            D-1 No. 2                    1958 May 15  S00007        1958 May 15 0706   Earth         1960 Apr  6        R      -              OKB1         SU           OKB1               Object D         -                1327         1327          1327         3.6      1.7        3.6    Cone                             1959 May  7             207      1247   65.12  LEO/I  -
S00009       00009  1958 EPS       P A          Explorer 4                   Explorer 4                   1958 Jul 26  A00009        1958 Jul 26 1507   Earth         1959 Oct 23        AR     -              ABMA/JPL     US           JPL                Explorer         -                  12           12            17         0.8      0.1        0.8    Cyl                              1959 Apr 24             258      2233   50.40  LEO/I  -
S00010       00010  1958 ZET       P A          SCORE                        SCORE                        1958 Dec 18  A00015        1958 Dec 18 2306   Earth         1959 Jan 21        AR     -              ARPA/SRDL    US           SRDL               SCORE            -                  68           68          3718         2.5  ?   1.5  ?     2.5    Cone                             1958 Dec 30             159      1187   32.29  LEO/I  -
S00011       00011  1959 ALP 1     P            Vanguard II                  Cloud cover satellite        1959 Feb 17  S00012        1959 Feb 17 1605   Earth         -                  O      -              BSC          US           NRL                NRL 20"          -                  10           10            10         0.5      0.5        0.5    Sphere                           1959 May 15             564      3304   32.88  MEO    -
S00012       00012  1959 ALP 2     R3           GRC 33-KS-2800               GRC 33-KS-2800 175-15-21     1959 Feb 17  R02749        1959 Feb 17 1604   Earth         -                  O      -              BSC          US           GCR                33-KS-2800       -                 195           22            22         1.5      0.7        1.5    Cyl                              1959 Apr 28             564      3679   32.88  MEO    -
S00013       00013  1959 BET       P A          Discoverer 1                 CORONA Test Vehicle 2        1959 Feb 28  A00017        1959 Feb 28 2156   Earth         1959 Mar  5        AR     -              ARPA/CIA     US           LMSD               CORONA           -                  78    ?      78    ?      668    ?    2.0      1.5        2.0    Cone                             1959 Feb 28             163?      968?  89.70  LLEO/P -
S00014       00014  1959 GAM       P A          Discoverer 2                 CORONA BIO 1                 1959 Apr 13  A00021        1959 Apr 13 2126   Earth         1959 Apr 26        AR     -              ARPA/CIA     US           LMSD               CORONA           -                 110    ?     110    ?      788         1.3      1.5        1.3    Frust                            1959 Apr 13             239       346   89.90  LLEO/P -
S00015       00015  1959 DEL 1     P            Explorer 6                   NASA S-2                     1959 Aug  7  S00017        1959 Aug  7 1430   Earth         1961 Jul  1        R?     -              GSFC         US           TRW                Able Probe       ARC 420            40           40            42    ?    0.7      0.7        2.2    Sphere + 4 Pan                   1959 Sep  8             250     42327   46.95  HEO    -   Able 3
S00016       00016  1958 BET 1     R3           GRC 33-KS-2800               GRC 33-KS-2800  144-79-22    1958 Mar 17  R02064        1958 Mar 17 1223   Earth         -                  O      -              NRL          US           GCR                33-KS-2800       -                 195           22            22         1.5      0.7        1.5    Cyl                              1959 Sep 30             653      4324   34.28  MEO    -
S00017       00017  1959 DEL 2     R3           Altair                       Altair X-248                 1959 Aug  7  A00024        1959 Aug  7 1428   Earth         1961 Jun 30        R?     -              USAF         US           ABL                Altair           -                  24           24            24         1.5      0.5        1.5    Cyl                              1961 Jan  8             197     40214   47.10  GTO    -
S00018       00018  1959 EPS 1     P A          Discoverer 5                 CORONA C-2                   1959 Aug 13  A00028        1959 Aug 13 1906   Earth         1959 Sep 28        AR     -              ARPA/CIA     US           LMSD               CORONA           -                 140          140           730         1.3      1.5        1.3    Frust                            1959 Aug 14             215       732   80.00  LLEO/I -   NRO Mission 9002

【问题讨论】:

【参考方案1】:

一种不那么随意的方法是将第一行的标题解释为列指示符,然后根据这些宽度进行拆分。

import sys
import re

def col_widths(s):
    # Shamelessly adapted from https://***.com/a/33090071/874188
    cols = re.findall(r'\S+\s+', s)
    return [len(col) for col in cols]

widths = col_widths(next(sys.stdin))

for line in sys.stdin:
    line = line.rstrip('\n')
    fields = []
    for col_max in widths[:-1]:
        fields.append(line[0:col_max].strip())
        line = line[col_max:]
    fields.append(line)
    print(fields)

演示:https://ideone.com/ASANjn

这似乎可以更好地解释例如。 LDate 列,其中有时会用多个空格填充日期。倒数第二列保留最后的破折号作为列值的一部分;这似乎更符合原始表格作者的明显意图,但如果您不喜欢,可能会将其与该特定列分开。

如果您不想阅读sys.stdin,只需将其包装在with open(filename) as handle: 中,并将sys.stdin 替换为handle

【讨论】:

谢谢,我不敢相信我没有想到...另外,根据您在 ASANjn 上写的内容,我认为 for col in widths: 应该更改为 for col_max in widths:跨度> 如果您不想使用 sys.stdin 怎么办? (编辑:对不起,我意识到我可以得到字符串和 split(\n")) 您可以open() 任何其他文件并将句柄传递给该文件,而不是sys.stdin。更新了答案以更详细地解释这一点。【参考方案2】:

一种方法是使用pandas.read_fwf(),它以固定宽度格式读取文本文件。该函数返回 Pandas DataFrames,这对于处理大型数据集很有用。

作为快速体验,以下是这段简单的代码的作用:

import pandas as pd

data = pd.read_fwf("data.txt")
print(data.columns)  # Prints an index of all columns.
print()
print(data.head(5))  # Prints the top 5 rows.

# Index(['JCAT', 'Satcat', 'Piece', 'Type', 'Name', 'PLName', 'LDate',
#        'Unnamed: 7', 'Parent', 'SDate', 'Unnamed: 10', 'Unnamed: 11',
#        'Primary', 'DDate', 'Unnamed: 14', 'Status', 'Dest', 'Owner', 'State',
#        'Manufacturer', 'Bus', 'Motor', 'Mass', 'Unnamed: 23', 'DryMass',
#        'Unnamed: 25', 'TotMass', 'Unnamed: 27', 'Length', 'Unnamed: 29',
#        'Diamete', 'Span', 'Unnamed: 32', 'Shape', 'ODate', 'Unnamed: 35',
#        'Perigee', 'Apogee', 'Inc', 'OpOrbitOQU', 'AltNames'],
#       dtype='object')
# 
#      JCAT  Satcat       Piece Type  ... Apogee    Inc OpOrbitOQU  AltNames
# 0  S00001       1  1957 ALP 1   R2  ...    938  65.10   LLEO/I -       NaN
# 1  S00002       2  1957 ALP 2    P  ...    938  65.10   LLEO/I -       NaN
# 2  S00003       3  1957 BET 1  P A  ...   1659  65.33   LEO/I  -       NaN
# 3  S00004       4    1958 ALP  P A  ...   2542  33.18   LEO/I  -       NaN
# 4  S00005       5  1958 BET 2    P  ...   3935  34.25   MEO    -       NaN

您会注意到某些列未命名。我们可以通过确定文件的字段宽度,指导read_fwf()的解析来解决这个问题。我们将通过读取文件的第一行并对其进行迭代来实现这一点。

field_widths = []  # We'll append column widths into this list.
last_i = 0
new_field = False
for i, x in enumerate(first_line):
    if x != ' ' and new_field:
        # Register a new field.
        new_field = False
        field_widths.append(i - last_i)  # Get the field width by subtracting
                                         #   the index from previous field's index.
        last_i = i  # Set the new field index.

    elif not new_field and x == ' ':
        # We've encountered a space.
        new_field = True # Set true so that the next
                         #   non-space encountered is
                         #   recognised as a new field
else:
    field_widths.append(64)  # Append last field. Set to a high number, 
                             #   so that all strings are eventually read.

只是一个简单的 for 循环。没什么特别的。

剩下的就是通过 widths= 关键字 arg 传递 field_widths 列表:

data = pd.read_fwf("data.txt", widths=field_widths)
print(data.columns)

# Index(['JCAT', 'Satcat', 'Piece', 'Type', 'Name', 'PLName', 'LDate', 'Parent',
#        'SDate', 'Primary', 'DDate', 'Status', 'Dest', 'Owner', 'State',
#        'Manufacturer', 'Bus', 'Motor', 'Mass', 'DryMass', 'TotMass', 'Length',
#        'Diamete', 'Span', 'Shape', 'ODate', 'Perigee', 'Apogee', 'Inc',
#        'OpOrbitOQU'],
#       dtype='object')

data 是一个数据框,但通过一些工作,您可以将其更改为 list of lists 或 list of dicts。或者您也可以直接使用数据框。

也就是说,你想要第一行。那你就可以了

datalist = data.values.tolist()
print(datalist[0])

# ['S00001', 1, '1957 ALP 1', 'R2', '8K71A M1-10', '8K71A M1-10 (M1-1PS)', '1957 Oct  4', '-', '1957 Oct  4 1933', 'Earth', '1957 Dec  1 1000?', 'R', '-', 'OKB1', 'SU', 'OKB1', 'Blok-A', '-', '7790', '7790', '7800    ?', '28.0', '2.6', '28.0', 'Cyl', '1957 Oct  4', '214', '938', '65.10', 'LLEO/I -']

【讨论】:

例如'1957 Dec 1 1000? 显然应该是两个单独的列。 @tripleee 嗯,我还以为是时间戳什么的。 哦,我的错,它可能是!

以上是关于将字符串拆分为空白列表,当下一个字符不是破折号时不包括单个空格的主要内容,如果未能解决你的问题,请参考以下文章

如何使用任何空白字符作为分隔符拆分字符串

如何将字符串拆分为列表?

Sublime Text 2 - 查看空白字符

如何将字符串拆分为列表?

如何通过特定的字符串元素将字符串列表拆分为字符串的子列表

将字符串拆分为列表并将项目转换为 int