使用Python将纯文本文件解析为CSV文件

Question

我有一系列使用Beautiful Soup解析为单个文本文件的HTML文件。HTML文件的格式设置为使其输出始终为文本文件中的三行，因此输出将类似于：

Hello!
How are you?
Well, Bye!

但这很容易

83957
And I ain't coming back!
hgu39hgd

换句话说，HTML文件的内容在每个文件中并不是真正的标准，但是它们始终会产生三行。

因此，我想知道如果我想从Beautiful Soup生成的文本文件然后将其解析为带有以下内容的列的CSV文件（使用上面的示例），应该从哪里开始：

Title   Intro   Tagline
Hello!    How are you?    Well, Bye!
83957    And I ain't coming back!    hgu39hgd

用于从文本文件中剥离HTML的Python代码是这样的：

import os
import glob
import codecs
import csv
from bs4 import BeautifulSoup

path = "c:\\users\\me\\downloads\\"

for infile in glob.glob(os.path.join(path, "*.html")):
    markup = (infile)
    soup = BeautifulSoup(codecs.open(markup, "r", "utf-8").read())
    with open("extracted.txt", "a") as myfile:
        myfile.write(soup.get_text())

我收集到的信息可以用来设置CSV文件中的列：

csv.put_HasColumnNames(True)

csv.SetColumnName(0,"title")
csv.SetColumnName(1,"intro")
csv.SetColumnName(2,"tagline")

我要绘制空白的地方是如何一次遍历文本文件（extracted.txt）一行，并且当我到达新行时，将其设置为CSV文件中的正确单元格。文件的前几行为空白，并且每组文本之间都有许多空行。因此，首先，我需要打开文件并阅读它：

file = open("extracted.txt")

for line in file.xreadlines():
    pass # csv.SetCell(0,0 X) (obviously, I don't know what to put in X)

另外，我不知道如何告诉Python继续读取文件，并将其添加到CSV文件中，直到完成为止。换句话说，无法确切知道HTML文件中的总行数，所以我不能csv.SetCell(0,0) to cdv.SetCell(999,999)

Answer 1

我不确定您使用的是哪个CSV库，但是它看起来不像Python的内置库。无论如何，这是我的做法：

import csv
import itertools

with open('extracted.txt', 'r') as in_file:
    stripped = (line.strip() for line in in_file)
    lines = (line for line in stripped if line)
    grouped = itertools.izip(*[lines] * 3)
    with open('extracted.csv', 'w') as out_file:
        writer = csv.writer(out_file)
        writer.writerow(('title', 'intro', 'tagline'))
        writer.writerows(grouped)

这种类型的管道。它首先从文件中获取数据，然后从行中删除所有空白，然后删除所有空行，然后将它们分为三组，然后（在写入CSV标头之后）将这些组写入CSV文件。

要合并注释中提到的最后两列，可以writerow以明显的方式将调用更改writerows为：

writer.writerows((title, intro + tagline) for title, intro, tagline in grouped)