Python如何針對大量txt檔案，抓取指定資料，並匯出?

文本分析 python 資料正規化結構化

style840102 2023-03-14 17:00:07 ‧ 4546 瀏覽

分享至

各位版上前輩們好，近期操作到txt文字檔案碰到難題!

手邊有多份txt檔案如下顯示，我需要抓取每一份txt檔內
從Flow-Volume-Curve後面的每一行內容，並且在excel排列呈現~
如sr eff後面的0.96 1.13 118 0.15 89 -25
由於欄位不對稱(有些項目有空白會被拆分開)，無法直接用資料剖析....
最終要輸出成excel檔案，如最底下的圖呈現
不清楚有那些方向和語法可以嘗試，希望能有前輩指點，謝謝

3 i
2 10-
2 ,,
1 / 1 cia
0 \ 0 0 By Pte
人 4 6 8 “Post
-1 / “I 5-
2
2 / TO
-3
4g / 人 ]
Volume shift [ml] 15-

####Flow-Volume-Curve####

Pred Pre %... Post %... Chg...
sr eff 0.96 1.13 118 0.15 89 -25
R tot 0.30 0.48 161 1.44 146 -10
R eff 0.30 0.42 139 0.38 127 -9
Frcpl 2.51 1.16 74 1.79 71 -4
VT 0.59 1.71 290 0.90 154 -47
Ic 1.91 2.44 128 2.38 125 -3
ERV 1.05 0.36 35 0.53 50 45
RV 1.46 1.50 102 1.26 16 -16
TLC 4.44 4.31 97 4.16 94 -3
RV%TLC 32.90 34.78 106 30.30 92 -13
VC IN 2.96 1.02 68 1.38 47 -32
FVC 2.91 2.81 96 2.90 100 3
FEV 1 2.10 2.29 92 2.38 95 4
FEV1%F 81.65 82.08 1
PEF 6.18 6.64 107 5.43 88 -18
MEF 75 5.57 5.79 104 4.98 89 -14
MEF 50 3.93 2.68 68 3.10 79 16
MEF 25 1.71 0.88 52 1.03 60 17
MMEF 3.46 2.24 65 2.50 72 11
FIF 50 4.18 3.94 -6
Substance ventolin

#更新：
這邊是空白 Pred Pre %... Post %... Chg...　←此為行
sr eff
R tot
R eff
Frcpl
VT
Ic
ERV
RV
TLC
RV%TLC
VC
↑
此
為
列

因為txt檔的欄位不對稱(有些項目有空白會被拆分開，如sr off)，
移植到excel無法用資料剖析處理，希望能用程式碼調整後匯出成excel
此外如第一個文字檔內容，在需要的資料之上還會有不需要的資訊，
擷取資料時需要跳過，自己有嘗試過正規表示式，奈何實力不足無法成功。

希望能將txt檔案匯出如上的型式，還是努力中..

我自己目前的輸出如下...行與列的1~6不能對其

看更多先前的討論...收起先前的討論...

ccutmis iT邦高手 2 級 ‧ 2023-03-14 18:32:45 檢舉

我想給點建議，你能不能把哪些是標題，哪些是內容，還有資料每列是以\n換行符為結尾還是有其它例外的，有辦法把規格訂出來就有辦法用程式整理，訂不出來那就只能人工整理。

style840102 iT邦新手 5 級 ‧ 2023-03-15 08:25:19 檢舉

Pred、Pre、%...、Post、%...、Chg... 這一段資訊屬於<行>
sr eff、R tot、R eff、Frcpl、VT、這一段屬於<列>
數字都屬於內容，自己嘗試過正規化處理，但是功力不足以正確排列

alien663 iT邦研究生 4 級 ‧ 2023-03-15 16:57:25 檢舉

我簡單提供一下我的思考邏輯:
1. 使用readline一行一行讀資料，當Flow-Volume-Curve出現時立旗
2. 旗立起來後，一行一行塞到list中
3. 讀完資料後，用for loop跑list
4. 每行資料用"空白 + 數字"找到關鍵位置，則該行"0~關鍵位置"為第一欄
5. 關鍵位置後的，用空白split也塞入list
6.將list轉成excel輸出

關鍵位置的找法 : re.search("[ ][0-9]*", item).span()[0]

ccutmis iT邦高手 2 級 ‧ 2023-03-15 17:20:23 檢舉

我覺得最困擾的是它用空白字元作分隔符，有的欄位內容也有空白字元，舉個例excel匯出的csv用逗點分隔，遇到欄位內容有逗點時，它會用雙引號把整個欄位包起來，一列的資料可能像這樣:
aa,11,22,"ABC,DEF",33,456.....
這樣至少讓它跟原本的用來作分隔符的逗點有分別。

style840102 iT邦新手 5 級 ‧ 2023-03-16 08:14:05 檢舉

alien663感謝提供思路，我可以往這邊去嘗試看看!
ccutmis是的~因為資料是透過OCR產生，無法在一開始設定分隔符號...

ccutmis iT邦高手 2 級 ‧ 2023-03-16 09:36:35 檢舉

資料來源是 OCR 的話，RegEXP可能要微調很多地方，要視表格的原始內容而定，若原始內容有一些合併欄位，那在OCR產出的文字檔裡面就會出現，每列照理說有六欄數值，但是某些列卻少於六欄。這個同樣是你要有辦法定義出分類規則，有規則就有辦法寫程式去處理。

alien663 iT邦研究生 4 級 ‧ 2023-03-16 15:11:06 檢舉

如果能夠調整資料格式去parse的話，的確是最佳解，明確的分隔符號是非常重要的事情，能最大幅度的減少預期外的錯誤發生。
只是以我的經驗來說，作為可憐的乙方沒有辦法讓甲方爸爸調整資料格式.....

ccutmis iT邦高手 2 級 ‧ 2023-03-16 16:02:35 檢舉

OCR 準確率問題 + 表格圖轉文字無法明確定義哪些欄位是合併的，除非整理後又有人工去做校對(但這樣做會增加成本)，不然這數據的可靠度可以說是看人品了...還是那句 GIGO

登入發表討論

直播研討會

{{ item.channelVendor }} {{ item.webinarstarted }} |

直播中

5 個回答

貓虎皮

iT邦新手 3 級 ‧ 2023-03-15 01:12:29

最佳解答

基於您的問題敘述較為模糊，我無法確切的理解您的需求，不過依照我的認知所完成的code如下：

import pandas as pd
import numpy as np
import re

def readFile(path):
    file = open(path, 'r+', encoding='utf-8')
    content = file.read()
    file.close()
    return(content)

def process(content):
    dataList = []
    content = content.split('Flow-Volume-Curve')
    if len(content) < 2:
        return False
    for row in content[1].split('\n'):
        r = re.search(r' (([0-9]|\.|\-| )+)', row)
        if r:
            rowData = r.groups()[0].split(' ')
            dataList.append(rowData)
    return(dataList)

filePath = './textData.txt'
content = readFile(filePath)
dataList = process(content)
df = pd.DataFrame(dataList)
df.to_excel(filePath.replace('\\', '/').split('/')[-1].replace('.txt', '') + '.xlsx')

此處裡會先讀取文字檔
接著做數字提取
再另存(寫入)xlsx中

希望有幫助到您=^w^=

回應 4
分享
檢舉

看更多先前的回應...收起先前的回應...

style840102 iT邦新手 5 級 ‧ 2023-03-15 08:39:39 檢舉

您好，我嘗試使用您的程式碼，會出現以下錯誤:ValueError: DataFrame constructor not properly called!

我google了一些對此問題的解法，改為:


import pandas as pd
import numpy as np
import re

def readFile(path):
    file = open(path, 'r+', encoding='utf-8')
    content = file.read()
    file.close()
    return(content)

def process(content):
    dataList = []
    content = content.split('Flow-Volume-Curve')
    if len(content) < 2:
        return False
    for row in content[1].split('\n'):
        r = re.search(r' (([0-9]|\.|\-| )+)', row)
        if r:
            rowData = r.groups()[0].split(' ')
            dataList.append(rowData)
    return(dataList)

filePath = './textData.txt'
content = readFile(filePath)
dataList = process(content)
df = pd.DataFrame(columns=['dataList'])
df.to_excel(filePath.replace('\\', '/').split('/')[-1].replace('.txt', '') + '.xlsx')

但是產生的excel內容為空白，若是有機會想再請教您，謝謝!

貓虎皮 iT邦新手 3 級 ‧ 2023-03-15 20:17:51 檢舉

改好了，這次的功能調整：

新增可更改檔案輸出格式
更改單檔案處理改為單資料夾下之.txt檔處理
新增輸出檔案之欄位標題

關於您所述的ValueError問題，我不太清楚你發生時所遇到的究竟是什麼狀況，但至少我在執行時是順利且無錯誤的。

'''
2023 © MaoHuPi
v2.0.1
https://ithelp.ithome.com.tw/questions/10212370
'''

DATA_DIR_PATH = './data'
DATA_START_AT = 'Flow-Volume-Curve'
DATA_END_AT = 'Substance ventolin'
OUTPUT_FILE_MIMETYPE = 'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet'

import os
import pandas as pd
# import numpy as np
import re

mimetypeSettingsData = {
    'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet': {
        'function': 'to_excel', 
        'fileExtension': '.xlsx'
    }, 
    'application/vnd.ms-excel': {
        'function': 'to_excel', 
        'fileExtension': '.xls'
    }, 
    'text/csv': {
        'function': 'to_csv', 
        'fileExtension': '.csv'
    }
}

def readFile(path):
    file = open(path, 'r+', encoding='utf-8')
    content = file.read()
    file.close()
    return(content)

def between(text, start, end):
    text = text.split(start)
    if len(text) < 2:
        return False
    text = text[1]
    text = text.split(end)
    if len(text) < 1:
        return False
    text = text[0]
    return text

def removeMultipleChar(text, chars):
    for char in chars:
        text = text.replace(char, '')
    return(text)

def process(content):
    dataList = []
    titleList = []
    titleDone = False
    content = between(content, DATA_START_AT, DATA_END_AT)
    contentRows = content.split('\n')
    contentRows.pop()
    contentRows.pop(0)
    for row in contentRows:
        if removeMultipleChar(row, list(' \t\r\n')) == '':
            continue
        r = re.search(r' (([0-9]|\.|\-| )+)', row)
        if r:
            rowData = r.groups()[0]
            rowName = row.replace(rowData, '')
            rowData = rowData.split(' ')
            dataList.append([rowName[:-1], *[float(value) for value in rowData]])
        else:
            if not titleDone:
                titleList = row.split(' ')
                titleList.insert(0, '')
                dataList.insert(0, titleList)
                titleDone = True
    return(dataList)

def saveOutputFile(dataList, filePath):
    if filePath[-4:] == '.txt':
        filePath = filePath[:-4]
    df = pd.DataFrame(data=dataList)
    outputSettings = mimetypeSettingsData[OUTPUT_FILE_MIMETYPE]
    filePath = filePath + outputSettings['fileExtension']
    getattr(df, outputSettings['function'])(filePath)
    print(filePath)

def processFile(filePath):
    content = readFile(filePath)
    dataList = process(content)
    saveOutputFile(dataList, filePath)

DATA_DIR_PATH = DATA_DIR_PATH.replace('\\', '/')
if DATA_DIR_PATH[-1] == '/':
    DATA_DIR_PATH = DATA_DIR_PATH[:-1]
for filePath in [path for path in os.listdir(DATA_DIR_PATH) if path.lower()[-4:] == '.txt']:
    filePath = f'{DATA_DIR_PATH}/{filePath}'
    processFile(filePath)

希望有幫助到您=^w^=

改好了，這次的功能調整：

* 新增 可更改檔案輸出格式
* 更改 單檔案處理改為單資料夾下之`.txt`檔處理
* 新增 輸出檔案之欄位標題

關於您所述的`ValueError`問題，我不太清楚你發生時所遇到的究竟是什麼狀況，但至少我在執行時是順利且無錯誤的。

```
'''
2023 © MaoHuPi
v2.0.1
https://ithelp.ithome.com.tw/questions/10212370
'''

DATA_DIR_PATH = './data'
DATA_START_AT = 'Flow-Volume-Curve'
DATA_END_AT = 'Substance ventolin'
OUTPUT_FILE_MIMETYPE = 'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet'

import os
import pandas as pd
# import numpy as np
import re

mimetypeSettingsData = {
    'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet': {
        'function': 'to_excel', 
        'fileExtension': '.xlsx'
    }, 
    'application/vnd.ms-excel': {
        'function': 'to_excel', 
        'fileExtension': '.xls'
    }, 
    'text/csv': {
        'function': 'to_csv', 
        'fileExtension': '.csv'
    }
}

def readFile(path):
    file = open(path, 'r+', encoding='utf-8')
    content = file.read()
    file.close()
    return(content)

def between(text, start, end):
    text = text.split(start)
    if len(text) < 2:
        return False
    text = text[1]
    text = text.split(end)
    if len(text) < 1:
        return False
    text = text[0]
    return text

def removeMultipleChar(text, chars):
    for char in chars:
        text = text.replace(char, '')
    return(text)

def process(content):
    dataList = []
    titleList = []
    titleDone = False
    content = between(content, DATA_START_AT, DATA_END_AT)
    contentRows = content.split('\n')
    contentRows.pop()
    contentRows.pop(0)
    for row in contentRows:
        if removeMultipleChar(row, list(' \t\r\n')) == '':
            continue
        r = re.search(r' (([0-9]|\.|\-| )+)', row)
        if r:
            rowData = r.groups()[0]
            rowName = row.replace(rowData, '')
            rowData = rowData.split(' ')
            dataList.append([rowName[:-1], *[float(value) for value in rowData]])
        else:
            if not titleDone:
                titleList = row.split(' ')
                titleList.insert(0, '')
                dataList.insert(0, titleList)
                titleDone = True
    return(dataList)

def saveOutputFile(dataList, filePath):
    if filePath[-4:] == '.txt':
        filePath = filePath[:-4]
    df = pd.DataFrame(data=dataList)
    outputSettings = mimetypeSettingsData[OUTPUT_FILE_MIMETYPE]
    filePath = filePath + outputSettings['fileExtension']
    getattr(df, outputSettings['function'])(filePath)
    print(filePath)

def processFile(filePath):
    content = readFile(filePath)
    dataList = process(content)
    saveOutputFile(dataList, filePath)

希望有幫助到您=^w^=

修改

style840102 iT邦新手 5 級 ‧ 2023-03-16 09:04:03 檢舉

您好，感謝您提供的更新版本，此方式確實可行，且產生的為我所需要的樣式!萬分感激~

最後想和您詢問，這項程式碼僅能套用上述範例，當另外一種格式出現，就無法運作。
會出現AttributeError: 'bool' object has no attribute 'split'。

因此想和您請教，當格式發生轉換!我該如何調整您的程式法，重新自己分切段落呢?

此外，如下範例2，資料中有一條ID:54123456789。
除了表格外我是否能同時將此行列出呢?
非常感謝您上述提供的解決方案，若是能進一步指點我，更加感激，謝謝您!

3 i
2 10-
2 ,,
1 / 1 cia
0 \ 0 0 By Pte
ID:54123456789
-1 / “I 5-
2
2 / TO
-3
4g / 人 ]
Volume shift [ml] 15-
Resistance & Reactance Spectra
Pred Pre %(Pre/Pred) Post %(Post/Pred) %Chg(Post/Pre)
R5Hz kPal(Lis) 0.34 0.59 15 0.50 18 -15
R20Hz KPa/(L/S) 0.8 0.41 147 0.40 13 -3
X5Hz kPal(Lis) -0.00 -4.15 4848 -0.14 420 -9
Fres. 1/s 19.92 18.35 -8
AX kPa/L 1.57 0.82 -40
R5-20 kPa/(L/s) 0.18 0.10 -43
VT L 0.37 0.87 234 0.94 254 8
CO5Hz 0.8 0.8 3
CO20Hz 1.4 1.0 -0
Level date 20-05-28 21-05-28
Level time 14:56 15:16
Substance ventolin
IOS-PREPOST-BRONCHODILATOR 1/1

貓虎皮 iT邦新手 3 級 ‧ 2023-03-17 00:05:17 檢舉

之所以會發生您所提到的'bool' object has no attribute 'split'的錯誤，是因為我在betweenfunction 抓不到內容時返回了False。

稍微說明一下原先程式碼所做的事情(下方的標註部分為元程式碼最上方所定義的可修改變數)：
讀取DATA_DIR_PATH資料夾下的檔案名稱，並篩選檔案類型
對於要處裡的文字檔逐一進行處理
取得DATA_START_AT與DATA_END_AT之間的文字
把取得的中間段文字進行逐行處理
取出該行中的前面部分作為該行的第一格
取出該行中的後面部分，以空格拆分，並作為該行的後續資料
輸出並以OUTPUT_FILE_MIMETYPE格式儲存

而當送入的.txt檔變成

3 i
2 10-
2 ,,
1 / 1 cia
0 \ 0 0 By Pte
ID:54123456789
-1 / “I 5-
2
2 / TO
-3
4g / 人 ]
Volume shift [ml] 15-
Resistance & Reactance Spectra
Pred Pre %(Pre/Pred) Post %(Post/Pred) %Chg(Post/Pre)
R5Hz kPal(Lis) 0.34 0.59 15 0.50 18 -15
R20Hz KPa/(L/S) 0.8 0.41 147 0.40 13 -3
X5Hz kPal(Lis) -0.00 -4.15 4848 -0.14 420 -9
Fres. 1/s 19.92 18.35 -8
AX kPa/L 1.57 0.82 -40
R5-20 kPa/(L/s) 0.18 0.10 -43
VT L 0.37 0.87 234 0.94 254 8
CO5Hz 0.8 0.8 3
CO20Hz 1.4 1.0 -0
Level date 20-05-28 21-05-28
Level time 14:56 15:16
Substance ventolin
IOS-PREPOST-BRONCHODILATOR 1/1

時，會因為找不到原先設定的開頭「Flow-Volume-Curve」與結尾「Substance ventolin」而無法正常回傳。

而修改後的code如下：

'''
2023 © MaoHuPi
v3.0.0
https://ithelp.ithome.com.tw/questions/10212370
'''

DATA_DIR_PATH = './data' # 文本資料存放之資料夾
DATA_FILE_EXTENSION = '.txt' # 文本資料檔案之副檔名
DATA_START_AT = 'Pred' # 文本資料的資料區段固定開頭
DATA_END_AT = 'Substance ventolin' # 文本資料的資料區段固定結尾
EXCLUDE_START = False # 是否去除 資料區段開頭 那行
EXCLUDE_END = True # 是否去除 資料區段結尾 那行
OUTPUT_FILE_MIMETYPE = 'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet' # 輸出檔案之格式

import os
import pandas as pd
import re

mimetypeSettingsData = {
    'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet': {
        'function': 'to_excel', 
        'fileExtension': '.xlsx'
    }, 
    'application/vnd.ms-excel': {
        'function': 'to_excel', 
        'fileExtension': '.xls'
    }, 
    'text/csv': {
        'function': 'to_csv', 
        'fileExtension': '.csv'
    }
}

def readFile(path):
    file = open(path, 'r+', encoding='utf-8')
    content = file.read()
    file.close()
    return(content)

def between(text:str, start:str, end:str):
    text = text.split(start)
    if len(text) < 2:
        return False
    text = start.join(text[1:])
    text = text.split(end)
    if len(text) < 1:
        return False
    text = text[0]
    return text

def removeMultipleChar(text, chars):
    for char in chars:
        text = text.replace(char, '')
    return(text)

def valueProcess(value):
    try:
        value = float(value)
    except:
        pass
    return(value)

def process(content):
    dataList = []
    titleList = []
    titleDone = False
    id = between(content, 'ID:', '\n')
    print('ID: ' + (id if id else 'Undefined'))
    content = between(content, DATA_START_AT, DATA_END_AT)
    content = DATA_START_AT + content + DATA_END_AT
    contentRows = content.split('\n')
    if EXCLUDE_START:
        contentRows.pop(0)
    if EXCLUDE_END:
        contentRows.pop()
    for row in contentRows:
        if removeMultipleChar(row, list(' \t\r\n')) == '':
            continue
        r = re.search(r' (([0-9]|\:|\.|\-| )+)', row)
        if r:
            rowData = r.groups()[0]
            rowName = row.replace(rowData, '')
            rowData = rowData.split(' ')
            dataList.append([rowName[:-1], *[valueProcess(value) or value for value in rowData]])
        else:
            if not titleDone:
                titleList = row.split(' ')
                titleList.insert(0, '')
                dataList.insert(0, titleList)
                titleDone = True
    return(dataList)

def saveOutputFile(dataList, filePath):
    if filePath[-4:] == '.txt':
        filePath = filePath[:-4]
    df = pd.DataFrame(data=dataList)
    outputSettings = mimetypeSettingsData[OUTPUT_FILE_MIMETYPE]
    filePath = filePath + outputSettings['fileExtension']
    getattr(df, outputSettings['function'])(filePath)
    print('OUTPUT_PATH: ' + filePath)
    print('')

def processFile(filePath):
    content = readFile(filePath)
    dataList = process(content)
    saveOutputFile(dataList, filePath)

DATA_DIR_PATH = DATA_DIR_PATH.replace('\\', '/')
if DATA_DIR_PATH[-1] == '/':
    DATA_DIR_PATH = DATA_DIR_PATH[:-1]
for filePath in [path for path in os.listdir(DATA_DIR_PATH) if path.lower()[-4:] == DATA_FILE_EXTENSION.lower()]:
    filePath = f'{DATA_DIR_PATH}/{filePath}'
    processFile(filePath)

本次針對功能的自訂義調整又新增了幾個選項(程式碼最前面的幾行大寫變數)，並且已經附上註解，可針對需求再進行調整。

真心建議如果要寫python的自動化程式，就先把python的基礎學完，不然你會不知道要怎麼一個個步驟處理資料。而別人給你的程式碼有問題，或需要再做修改時，也無法直接讀懂其程式碼內容。

如果還有疑問，可以直接在IG私訊我(jhou5846)，我會比較快看到並給出回復(致管理員，此非廣告文)。

希望有幫助到您=^w^=

之所以會發生您所提到的`'bool' object has no attribute 'split'`的錯誤，是因為我在`between`function 抓不到內容時返回了`False`。

稍微說明一下原先程式碼所做的事情(下方的標註部分為元程式碼最上方所定義的可修改變數)：
讀取`DATA_DIR_PATH`資料夾下的檔案名稱，並篩選檔案類型
對於要處裡的文字檔逐一進行處理
    取得`DATA_START_AT`與`DATA_END_AT`之間的文字
    把取得的中間段文字進行逐行處理
        取出該行中的前面部分作為該行的第一格
        取出該行中的後面部分，以空格拆分，並作為該行的後續資料
    輸出並以`OUTPUT_FILE_MIMETYPE`格式儲存

而當送入的`.txt`檔變成
```
3 i
2 10-
2 ,,
1 / 1 cia
0 \ 0 0 By Pte
ID:54123456789
-1 / “I 5-
2
2 / TO
-3
4g / 人 ]
Volume shift [ml] 15-
Resistance & Reactance Spectra
Pred Pre %(Pre/Pred) Post %(Post/Pred) %Chg(Post/Pre)
R5Hz kPal(Lis) 0.34 0.59 15 0.50 18 -15
R20Hz KPa/(L/S) 0.8 0.41 147 0.40 13 -3
X5Hz kPal(Lis) -0.00 -4.15 4848 -0.14 420 -9
Fres. 1/s 19.92 18.35 -8
AX kPa/L 1.57 0.82 -40
R5-20 kPa/(L/s) 0.18 0.10 -43
VT L 0.37 0.87 234 0.94 254 8
CO5Hz 0.8 0.8 3
CO20Hz 1.4 1.0 -0
Level date 20-05-28 21-05-28
Level time 14:56 15:16
Substance ventolin
IOS-PREPOST-BRONCHODILATOR 1/1
```
時，會因為找不到原先設定的開頭「Flow-Volume-Curve」與結尾「Substance ventolin」而無法正常回傳。

而修改後的code如下：
```py
'''
2023 © MaoHuPi
v3.0.0
https://ithelp.ithome.com.tw/questions/10212370
'''

DATA_DIR_PATH = './data' # 文本資料存放之資料夾
DATA_FILE_EXTENSION = '.txt' # 文本資料檔案之副檔名
DATA_START_AT = 'Pred' # 文本資料的資料區段固定開頭
DATA_END_AT = 'Substance ventolin' # 文本資料的資料區段固定結尾
EXCLUDE_START = False # 是否去除 資料區段開頭 那行
EXCLUDE_END = True # 是否去除 資料區段結尾 那行
OUTPUT_FILE_MIMETYPE = 'application/vnd.openxmlformats-officedocument.spreadsheetml.sheet' # 輸出檔案之格式

import os
import pandas as pd
import re

def readFile(path):
    file = open(path, 'r+', encoding='utf-8')
    content = file.read()
    file.close()
    return(content)

def between(text:str, start:str, end:str):
    text = text.split(start)
    if len(text) < 2:
        return False
    text = start.join(text[1:])
    text = text.split(end)
    if len(text) < 1:
        return False
    text = text[0]
    return text

def removeMultipleChar(text, chars):
    for char in chars:
        text = text.replace(char, '')
    return(text)

def valueProcess(value):
    try:
        value = float(value)
    except:
        pass
    return(value)

def process(content):
    dataList = []
    titleList = []
    titleDone = False
    id = between(content, 'ID:', '\n')
    print('ID: ' + (id if id else 'Undefined'))
    content = between(content, DATA_START_AT, DATA_END_AT)
    content = DATA_START_AT + content + DATA_END_AT
    contentRows = content.split('\n')
    if EXCLUDE_START:
        contentRows.pop(0)
    if EXCLUDE_END:
        contentRows.pop()
    for row in contentRows:
        if removeMultipleChar(row, list(' \t\r\n')) == '':
            continue
        r = re.search(r' (([0-9]|\:|\.|\-| )+)', row)
        if r:
            rowData = r.groups()[0]
            rowName = row.replace(rowData, '')
            rowData = rowData.split(' ')
            dataList.append([rowName[:-1], *[valueProcess(value) or value for value in rowData]])
        else:
            if not titleDone:
                titleList = row.split(' ')
                titleList.insert(0, '')
                dataList.insert(0, titleList)
                titleDone = True
    return(dataList)

def processFile(filePath):
    content = readFile(filePath)
    dataList = process(content)
    saveOutputFile(dataList, filePath)

DATA_DIR_PATH = DATA_DIR_PATH.replace('\\', '/')
if DATA_DIR_PATH[-1] == '/':
    DATA_DIR_PATH = DATA_DIR_PATH[:-1]
for filePath in [path for path in os.listdir(DATA_DIR_PATH) if path.lower()[-4:] == DATA_FILE_EXTENSION.lower()]:
    filePath = f'{DATA_DIR_PATH}/{filePath}'
    processFile(filePath)
```
本次針對功能的自訂義調整又新增了幾個選項(程式碼最前面的幾行大寫變數)，並且已經附上註解，可針對需求再進行調整。

如果還有疑問，可以直接在IG私訊我(jhou5846)，我會比較快看到並給出回復(致管理員，此非廣告文)。

希望有幫助到您=^w^=

修改

登入發表回應

froce

iT邦大師 1 級 ‧ 2023-03-15 09:57:54

data = '''
sr eff 0.96 1.13 118 0.15 89 -25
R tot 0.30 0.48 161 1.44 146 -10
R eff 0.30 0.42 139 0.38 127 -9
Frcpl 2.51 1.16 74 1.79 71 -4
VT 0.59 1.71 290 0.90 154 -47
Ic 1.91 2.44 128 2.38 125 -3
ERV 1.05 0.36 35 0.53 50 45
RV 1.46 1.50 102 1.26 16 -16
TLC 4.44 4.31 97 4.16 94 -3
RV%TLC 32.90 34.78 106 30.30 92 -13
VC IN 2.96 1.02 68 1.38 47 -32
FVC 2.91 2.81 96 2.90 100 3
FEV 1 2.10 2.29 92 2.38 95 4
FEV1%F 81.65 82.08 1
PEF 6.18 6.64 107 5.43 88 -18
MEF 75 5.57 5.79 104 4.98 89 -14
MEF 50 3.93 2.68 68 3.10 79 16
MEF 25 1.71 0.88 52 1.03 60 17
MMEF 3.46 2.24 65 2.50 72 11
FIF 50 4.18 3.94 -6
'''

def isData(val):
	try:
		float(val)
	except:
		return False
	return True

for line in data.split("\n"):
	line = [float(cell) for cell in line.split(" ") if isData(cell)]
	print(line)

回應 3
分享
檢舉

style840102 iT邦新手 5 級 ‧ 2023-03-15 10:55:44 檢舉

感謝您提供建議! 此方式有嘗試過，但無法達到想要的成果，感謝您!

froce iT邦大師 1 級 ‧ 2023-03-15 10:57:56 檢舉

你不是要數字?幫你拆出來了，後面自己組到excel裡啊。
不對稱就補齊元素到一樣的個數，後面就能用pandas處理了。
要不然自己操作 openpyxl 一格一格插入也可以。

style840102 iT邦新手 5 級 ‧ 2023-03-15 15:33:14 檢舉

您好，因為需要一次處理大量txt檔，會再研究看看！感謝您的建議~

登入發表回應

ccutmis

iT邦高手 2 級 ‧ 2023-03-15 11:39:57

用 RegEXP 處理的範例如下:

test_content.txt 內容 :

3 i
2 10-
2 ,,
1 / 1 cia
0 \ 0 0 By Pte
人 4 6 8 “Post
-1 / “I 5-
2
2 / TO
-3
4g / 人 ]
Volume shift [ml] 15-

####Flow-Volume-Curve####
Pred Pre %... Post %... Chg...
sr eff 0.96 1.13 118 0.15 89 -25
R tot 0.30 0.48 161 1.44 146 -10
R eff 0.30 0.42 139 0.38 127 -9
Frcpl 2.51 1.16 74 1.79 71 -4
VT 0.59 1.71 290 0.90 154 -47
Ic 1.91 2.44 128 2.38 125 -3
ERV 1.05 0.36 35 0.53 50 45
RV 1.46 1.50 102 1.26 16 -16
TLC 4.44 4.31 97 4.16 94 -3
RV%TLC 32.90 34.78 106 30.30 92 -13
VC IN 2.96 1.02 68 1.38 47 -32
FVC 2.91 2.81 96 2.90 100 3
FEV 1 2.10 2.29 92 2.38 95 4
FEV1%F 81.65 82.08 1
PEF 6.18 6.64 107 5.43 88 -18
MEF 75 5.57 5.79 104 4.98 89 -14
MEF 50 3.93 2.68 68 3.10 79 16
MEF 25 1.71 0.88 52 1.03 60 17
MMEF 3.46 2.24 65 2.50 72 11
FIF 50 4.18 3.94 -6
Substance ventolin

python 內容 :

import re,codecs

def detect_by_bom(path, default='utf-8'):
    with open(path, 'rb') as f:
        raw = f.read(4)  # will read less if the file is smaller
    for enc, boms in \
            ('utf-8-sig', (codecs.BOM_UTF8,)),\
            ('utf-16', (codecs.BOM_UTF16_LE, codecs.BOM_UTF16_BE)),\
            ('utf-32', (codecs.BOM_UTF32_LE, codecs.BOM_UTF32_BE)):
        if any(raw.startswith(bom) for bom in boms):
            return enc
    return default 

def read_data_from_txt(txt_file):
    file_type= detect_by_bom(txt_file)
    with open(txt_file,'rb') as f:
        content = f.read().decode(file_type)
    # 試著修正讀入非utf-8編碼文件檔會報錯的BUG
    # 取得 介於 Pred Pre %... Post %... Chg... 到 Substance ventolin 之間的內容，用\n分割成串列(ls)
    data_ls = re.findall('Pred Pre %... Post %... Chg...(.*)Substance ventolin',content,re.DOTALL)
    if data_ls == []:
        return []
    else:
        ls = data_ls[0].split('\r\n') 
    out_ls=[]
    for i in ls:
        if i != '':
            # 每一行先不管空白，把文字跟數字分開
            tmp = re.findall('(^[A-Za-z%]+.*[A-Za-z%].)(.*)$',i)
            if tmp == []:
                continue
            else:
                # 數字部份用" "分割成串列(tmp_ls)
                tmp_ls=tmp[0][1].split(' ')
                # 把 文字部份(標題) 插入 tmp_ls 的第一個元素
                tmp_ls.insert(0, tmp[0][0].strip())
                # out_ls 新增元素 內容為 tmp_ls
                out_ls.append(tmp_ls)
    return out_ls

txt_file = "test_content.txt"

result_ls = read_data_from_txt(txt_file)
for i in result_ls:
    print(i)

執行結果 :

['sr eff', '0.96', '1.13', '118', '0.15', '89', '-25']
['R tot', '0.30', '0.48', '161', '1.44', '146', '-10']
['R eff', '0.30', '0.42', '139', '0.38', '127', '-9']
['Frcpl', '2.51', '1.16', '74', '1.79', '71', '-4']
['VT', '0.59', '1.71', '290', '0.90', '154', '-47']
['Ic', '1.91', '2.44', '128', '2.38', '125', '-3']
['ERV', '1.05', '0.36', '35', '0.53', '50', '45']
['RV', '1.46', '1.50', '102', '1.26', '16', '-16']
['TLC', '4.44', '4.31', '97', '4.16', '94', '-3']
['RV%TLC', '32.90', '34.78', '106', '30.30', '92', '-13']
['VC IN', '2.96', '1.02', '68', '1.38', '47', '-32']
['FVC', '2.91', '2.81', '96', '2.90', '100', '3']
['FEV', '1', '2.10', '2.29', '92', '2.38', '95', '4']
['FEV1%F', '81.65', '82.08', '1']
['PEF', '6.18', '6.64', '107', '5.43', '88', '-18']
['MEF', '75', '5.57', '5.79', '104', '4.98', '89', '-14']
['MEF', '50', '3.93', '2.68', '68', '3.10', '79', '16']
['MEF', '25', '1.71', '0.88', '52', '1.03', '60', '17']
['MMEF', '3.46', '2.24', '65', '2.50', '72', '11']
['FIF', '50', '4.18', '3.94', '-6']

小建議:

如果有辦法設定 txt 分隔符號的話，建議使用 \t(tab) 不要使用空格，可以避掉很多問題，像這裡最難搞的是用空格作欄位分隔，分隔的內容也不單純區分為"文字"或"數值"(ex:FEV1%F)，如果在最初用 tab 作分隔的話，一行 str.split('\t') 就搞定了XD
上面的範例在讀取文字檔的部份有加上判斷文字檔語系的處理，主要應用在一些由Excel產出帶有非Unicode內容的文字檔，例如裡面有Big5編碼的文字檔，若不作處理在讀取時就會報錯，但這部份是否有其它Bug我沒有測試。

IT界有句古話 : GIGO
https://zh.wikipedia.org/zh-tw/%E5%9E%83%E5%9C%BE%E8%BF%9B%EF%BC%8C%E5%9E%83%E5%9C%BE%E5%87%BA

回應 2
分享
檢舉

style840102 iT邦新手 5 級 ‧ 2023-03-15 15:34:53 檢舉

感謝您提供的方向，若是單純英文與數字分離就容易多了，產生的文字檔也因為空白的關係不適合直接資料剖析，會嘗試看看您的建議，謝謝！

ccutmis iT邦高手 2 級 ‧ 2023-03-15 15:52:01 檢舉

登入發表回應

alien663

iT邦研究生 4 級 ‧ 2023-03-16 15:12:49

昨天我的回覆已經達到上限了，以下是sample code:

import re
import openpyxl

def export_Excel(filename, data):
    _workbook = openpyxl.Workbook()
    _sheet = _workbook["Sheet"]
    for i in range(len(data)):
        for j in range(len(data[i])):
            _sheet.cell(i+1, j+1).value = data[i][j]
    _workbook.save(filename)

def read_Source_File(filename):
    flag = False
    context = []
    with open(filename, "r", encoding="utf-8") as fp:
        line = fp.readline()
        while line:
            if(flag):
                context.append(line)
            if("Flow-Volume-Curve" in line):
                flag = True
            line= fp.readline()
    fp.close()
    return context

if __name__ == "__main__":
    context = read_Source_File("samplefile.txt")
    result = [context[0].split(" ")]
    result[0].insert(0, "") # shift column name right
    for item in context[1:-1]:
        one_row = []
        key_position = re.search("[ ][0-9]*", item).span()[0]
        the_first_column = item[:key_position]
        one_row.append(the_first_column)
        one_row.extend(item[key_position+1:].split(" "))
        result.append(one_row)
    export_Excel("out.xlsx",result)

回應
分享
檢舉

登入發表回應

mackuo

iT邦研究生 1 級 ‧ 2023-03-28 11:44:10

好多高手都已經回答正確答案了，小弟也學習前輩的code，自己改寫如下：
test.txt檔案：

3 i
2 10-
2 ,,
1 / 1 cia
0 \ 0 0 By Pte
人 4 6 8 “Post
-1 / “I 5-
2
2 / TO
-3
4g / 人 ]
Volume shift [ml] 15-

####Flow-Volume-Curve####

Pred Pre %... Post %... Chg...
sr eff 0.96 1.13 118 0.15 89 -25
R tot 0.30 0.48 161 1.44 146 -10
R eff 0.30 0.42 139 0.38 127 -9
Frcpl 2.51 1.16 74 1.79 71 -4
VT 0.59 1.71 290 0.90 154 -47
Ic 1.91 2.44 128 2.38 125 -3
ERV 1.05 0.36 35 0.53 50 45
RV 1.46 1.50 102 1.26 16 -16
TLC 4.44 4.31 97 4.16 94 -3
RV%TLC 32.90 34.78 106 30.30 92 -13
VC IN 2.96 1.02 68 1.38 47 -32
FVC 2.91 2.81 96 2.90 100 3
FEV 1 2.10 2.29 92 2.38 95 4
FEV1%F 81.65 82.08 1
PEF 6.18 6.64 107 5.43 88 -18
MEF 75 5.57 5.79 104 4.98 89 -14
MEF 50 3.93 2.68 68 3.10 79 16
MEF 25 1.71 0.88 52 1.03 60 17
MMEF 3.46 2.24 65 2.50 72 11
FIF 50 4.18 3.94 -6
Substance ventolin

code：

# 先找出讀取檔案的起始和結束行
import pandas as pd
import re

file = 'test.txt'

# 設定空的索引
indexes = []
with open(file) as f:        
    lines = f.readlines()
    for i, line in enumerate(lines):
        # 搜尋檔案要讀取的起始位置
        if line.startswith('Pred Pre %... Post %... Chg...'):
            # 找到起始位置後，下一行才開始讀取
            s = i+1
        # 搜尋檔案要讀取的結束位置
        elif line.startswith('Substance ventolin'):
            e = i
            indexes.append((s, e))  
        else:
            pass
# 設定空的list儲存要整理的英文名字
result_name = []
# 設定空的list儲存要整理的數據
result_data = []

# 讀取起始和結束位置中間的資料
for line in lines[s:e]:
    
    # 這邊是用ccutmis前輩的Regex來尋找與切割資料：
    temp = re.findall('(^[A-Za-z%]+.*[A-Za-z%].)(.*)$', line)
    
    # 原始資料中的英文名存到result_name
    result_name.append(temp[0][0])
    
    # 原始資料中的數據存到result_name
    result_data.append(temp[0][1].split(' '))


df_name = pd.DataFrame(result_name)
df_data = pd.DataFrame(result_data)

# 將以上的2個dataframe 串接
df = pd.concat([df_name, df_data], axis=1)
# 將欄名修正為「col_1......, col_x」
df.columns=['col_' + str(x) for x in range(1, len(df.columns)+1)]

df

結果如下：