मैं HTML::TableExtract की तरह कुछ ढूंढ रहा हूं, सिर्फ HTML इनपुट के लिए नहीं, बल्कि सादे पाठ इनपुट के लिए जिसमें "टेबल" इंडेंटेशन और स्पेसिंग के साथ स्वरूपित है।मैं पर्ल में एक टेक्स्ट फ़ाइल से सारणी डेटा को निकालने/विश्लेषण कैसे कर सकता हूं?
डाटा ऐसा दिखाई दे सकता:
Here is some header text.
Column One Column Two Column Three
a b
a b c
Some more text
Another Table Another Column
abdbdbdb aaaa
किसी भी पैक समाधान के बारे में पता नहीं है, लेकिन कुछ बहुत लचीला नहीं यह सोचते हैं आप फ़ाइल पर दो गुजरता कर सकते हैं करने के लिए काफी सरल है: (निम्न आंशिक रूप से Perlish है स्यूडोकोड उदाहरण)
Text::CSV(_XS) का उपयोग करें।नमूना कोड:
my $INFER_FROM_N_LINES = 10; # Infer columns from this # of lines
# 0 means from entire file
my $lines_scanned = 0;
my @non_spaces=[];
# First pass - find which character columns in the file have all spaces and which don't
my $fh = open(...) or die;
while (<$fh>) {
last if $INFER_FROM_N_LINES && $lines_scanned++ == $INFER_FROM_N_LINES;
chomp;
my $line = $_;
my @chars = split(//, $line);
for (my $i = 0; $i < @chars; $i++) { # Probably can be done prettier via map?
$non_spaces[$i] = 1 if $chars[$i] ne " ";
}
}
close $fh or die;
# Find columns, defined as consecutive "non-spaces" slices.
my @starts, @ends; # Index at which columns start and end
my $state = " "; # Not inside a column
for (my $i = 0; $i < @non_spaces; $i++) {
next if $state eq " " && !$non_spaces[$i];
next if $state eq "c" && $non_spaces[$i];
if ($state eq " ") { # && $non_spaces[$i] of course => start column
$state = "c";
push @starts, $i;
} else { # meaning $state eq "c" && !$non_spaces[$i] => end column
$state = " ";
push @ends, $i-1;
}
}
if ($state eq "c") { # Last char is NOT a space - produce the last column end
push @ends, $#non_spaces;
}
# Now split lines
my $fh = open(...) or die;
my @rows =();
while (<$fh>) {
my @columns =();
push @rows, \@columns;
chomp;
my $line = $_;
for (my $col_num = 0; $col_num < @starts; $col_num++) {
$columns[$col_num] = substr($_, $starts[$col_num], $ends[$col_num]-$starts[$col_num]+1);
}
}
close $fh or die;
अब, अगर आप स्तंभ जुदाई की आवश्यकता होती है जहाँ X> 1, यह भी संभव है लेकिन स्तंभ वाले स्थानों की पार्सर एक सा होने की जरूरत है कम से कम X रिक्त स्थान होने के लिए और अधिक जटिल:
# Find columns, defined as consecutive "non-spaces" slices separated by at least 3 spaces.
my $min_col_separator_is_X_spaces = 3;
my @starts, @ends; # Index at which columns start and end
my $state = "S"; # inside a separator
NEXT_CHAR: for (my $i = 0; $i < @non_spaces; $i++) {
if ($state eq "S") { # done with last column, inside a separator
if ($non_spaces[$i]) { # start a new column
$state = "c";
push @starts, $i;
}
next;
}
if ($state eq "c") { # Processing a column
if (!$non_spaces[$i]) { # First space after non-space
# Could be beginning of separator? check next X chars!
for (my $j = $i+1; $j < @non_spaces
|| $j < $i+$min_col_separator_is_X_spaces; $j++) {
if ($non_spaces[$j]) {
$i = $j++; # No need to re-scan again
next NEXT_CHAR; # OUTER loop
}
# If we reach here, next X chars are spaces! Column ended!
push @ends, $i-1;
$state = "S";
$i = $i + $min_col_separator_is_X_spaces;
}
}
next;
}
}
यहाँ एक बहुत ही त्वरित समाधान है, एक सिंहावलोकन के साथ टिप्पणी की। (लंबाई के लिए मेरी माफ़ी।) मूल रूप से, यदि कॉलम हेडर n की शुरुआत के बाद "शब्द" दिखाई देता है, तो यह कॉलम n में समाप्त होता है, जब तक कि उसका अधिकांश शरीर कॉलम n + 1 में घुमाता है, इसके मामले में यह इसके बजाय वहां समाप्त होता है। इसे ध्यान में रखते हुए, इसे कई अलग-अलग तालिकाओं का समर्थन करने के लिए विस्तारित किया जाता है, आदि व्यायाम के रूप में छोड़े जाते हैं। आप कॉलम हेडर के बाएं ऑफसेट के अलावा कुछ भी सीमा चिह्न के रूप में, जैसे केंद्र, या स्तंभ संख्या द्वारा निर्धारित कुछ मान के रूप में कुछ भी उपयोग कर सकते हैं।
#!/usr/bin/perl
use warnings;
use strict;
# Just plug your headers in here...
my @headers = ('Column One', 'Column Two', 'Column Three');
# ...and get your results as an array of arrays of strings.
my @result =();
my $all_headers = '(' . (join ').*(', @headers) . ')';
my $found = 0;
my @header_positions;
my $line = '';
my $row = 0;
push @result, [] for (1 .. @headers);
# Get lines from file until a line matching the headers is found.
while (defined($line = <DATA>)) {
# Get the positions of each header within that line.
if ($line =~ /$all_headers/) {
@header_positions = @-[1 .. @headers];
$found = 1;
last;
}
}
$found or die "Table not found! :<\n";
# For each subsequent nonblank line:
while (defined($line = <DATA>)) {
last if $line =~ /^$/;
push @{$_}, "" for (@result);
++$row;
# For each word in line:
while ($line =~ /(\S+)/g) {
my $word = $1;
my $position = $-[1];
my $length = $+[1] - $position;
my $column = -1;
# Get column in which word starts.
while ($column < $#headers &&
$position >= $header_positions[$column + 1]) {
++$column;
}
# If word is not fully within that column,
# and more of it is in the next one, put it in the next one.
if (!($column == $#headers ||
$position + $length < $header_positions[$column + 1]) &&
$header_positions[$column + 1] - $position <
$position + $length - $header_positions[$column + 1]) {
my $element = \$result[$column + 1]->[$row];
$$element .= " $word";
# Otherwise, put it in the one it started in.
} else {
my $element = \$result[$column]->[$row];
$$element .= " $word";
}
}
}
# Output! Eight-column tabs work best for this demonstration. :P
foreach my $i (0 .. $#headers) {
print $headers[$i] . ": ";
foreach my $c (@{$result[$i]}) {
print "$c\t";
}
print "\n";
}
__DATA__
This line ought to be ignored.
Column One Column Two Column Three
These lines are part of the tabular data to be processed.
The data are split based on how much words overlap columns.
This line ought to be ignored also.
नमूना उत्पादन:
Column One: These lines are The data are split Column Two: part of the tabular based on how Column Three: data to be processed. much words overlap columns.
प्रदान करते हैं और उदाहरण दें। – DVK
मैंने एक समाधान प्रदान किया, लेकिन यह छह कॉलम का उत्पादन करेगा। क्या आप एक धारणा बना रहे हैं taht कॉलम विभाजक होना चाहिए> 1 स्थान? – DVK
नहीं, लेकिन हम मान सकते हैं कि मुझे कॉलम हेडर स्ट्रिंग्स पता है, और कॉलम डेटा हेडर के नीचे ठीक से संरेखित है। – Thilo