☰

텍스트 파일에서 정보 추출

tag-icon • tag-icon text-processing
텍스트 파일에서 정보 추출

다음과 같은 태그를 검색하려는 텍스트 파일이 있습니다.

<category="SpecificDisease">Type II human complement C2 deficiency</category>
<category="Modifier">Huntington disease</category>
<category="CompositeMention">hereditary breast and ovarian cancer</category>
<category="DiseaseClass">myopathy</category>

다음 내용을 생성하여 새 텍스트 파일에 씁니다.

Type II human complement C2 deficiency
Huntington disease
hereditary breast and ovarian cancer
myopathy

답변1

이는 XML 또는 유사한 마크업 언어 파일처럼 보입니다. 이러한 파일은 깨어나지 않도록 간단한 정규식으로 구문 분석하면 안 됩니다.TO ͇̹̺ͅ松̴ş̳ TH̘Ë͖́̉ ͠P̯͍̭O̚​N̐Y̡. 해당 태그와 선호하는 스크립트 언어에 특정한 파서를 사용해야 합니다.

이는 OMIM 또는 HPO 데이터처럼 보이며, 이 경우 간단한 텍스트 파일을 얻고 작업을 단순화할 수 있어야 합니다. 이 파일을 구문 분석할 수 없고 실제로 필요한 경우 Perl에서 수행할 수 있습니다.

perl -lne '/<.*?>([^<>]+)/ && print $1' foo.txt

그러나 한 줄에 여러 개의 레이블이 있거나 레이블의 내용이 여러 줄에 걸쳐 있을 수 있거나 레이블의 데이터에 또는 가 포함될 수 있는 경우 >이는 중단됩니다 <. 귀하의 모든 정보가언제나사이에서 <category="whatever">blah blah</category>모든 것을 더욱 강력하게 얻을 수 있습니다(여러 줄 마크업 콘텐츠 및 포함된 <또는 포함 >).

#!/usr/bin/env perl

## Set the start and end tags
$end="</category>"; 
$start="<category=.*?>"; 

## Read through the file line by line
while(<>){
    ## set $a to one if the current line matches $start
    $a=1 if /$start/; 
    ## If the current line matches $start, capture any relevant content.
    ## I am also removing any $start or $end tags if present.
    if(s/($start)*(.+)($end)*/$2/){
    push @lines,$2 if $a==1;
    }  
    ## If the current line matches $end, capture any relevant content,
    ## print what we have saved so far, set $a back to 0 and empty the
    ## @lines array
    if(/$end/){
    map{s/$end//;}@lines; 
    print "@lines\n";
    @lines=(); 
    $a=0
    }; 
}

이 스크립트를 foo.pl실행 가능하게 만들고 파일에서 실행하려면 다른 이름으로 저장하십시오.

./foo.pl file.txt

예를 들어:

$ cat file.txt 
<category="SpecificDisease">Type II 
 human complement C2 deficiency</category>
<category="Modifier">Huntington disease</category>
<category="CompositeMention">hereditary breast < and ovarian cancer</category>
<category="DiseaseClass">myopathy > cardiopathy</category>

$ ./foo.pl file.txt 
Type II   human complement C2 deficiency
Huntington disease
hereditary breast < and ovarian cancer
myopathy > cardiopathy

하지만 다시 말하지만, 파일이 위의 예보다 더 복잡하다면,이건 실패할 거야그리고 보다 정교한 방법이 필요합니다.

답변2

간단히 이렇게 할 수 있습니다 sed:

sed 's/>\([^>]\+\)</\1/' your_file > new_file

>각 줄 사이와 줄에서 텍스트를 추출합니다 <. 이는 행당 하나의 레이블이 있다고 가정합니다.

관련 정보