Text Parser

[braincrash]

Bom Dia,

A ver se me conseguem dar uma dicas, já andei por aqui à procura mas não consegui encontrar o que pretendia.

Ando a tentar extrair informação de um ficheiro de texto, esse texto está segmentado por vários blocos, queria conseguir agarrar o bloco, a partir de um inicio (/START) e um fim (/END), para depois dentro deste bloco conseguir extrair dados que vão variando.

Exemplo:

/START
<cmd
restult_of_cmd
<cmd
result_of_cmd
/END
/START

<cmd
restult_of_cmd

<cmd
result_of_cmd

/END
/START

<cmd
restult_of_cmd

<cmd
result_of_cmd

/END
/START

<cmd
restult_of_cmd

<cmd
result_of_cmd

/END
/START

<cmd
restult_of_cmd

<cmd
result_of_cmd

/END

Será que me conseguem apontar para alguns tutoriais?

Obrigado.

[thoga31]

Com esse exemplo, que é essencialmente a repetição da mesma coisa por várias vezes, não consigo perceber exactamente o que pretendes extrair e de que forma queres guardar.

[braincrash]

Aqui a ideia do exemplo era apenas a estrutura, o resultado dos comandos não vai ser sempre o mesmo.

[thoga31]

Sim, eu percebi que era a estrutura, mas não consegui perceber como queres guardar a informação que vais ler.

Entre cada /START e /END há um número definido ou indefinido de comandos e respectivos resultados? Cada comando começa sempre com o sinal de menor, <? Queres guardar os pares (comando, resultado) ou só um deles? A informação é para ser guardada numa lista?

São estas informações que precisamos para te podermos orientar.

[djthyrax]

Eu começaria por usar regex para ir buscar os blocos entre o start e o end. Depois limitava-me a utilizar o split para separar os parágrafos pelas linhas vazias e depois extraia o comando e a resposta.

[pwseo]

braincrash,

Podes utilizar a solução do djthyrax ou, em alternativa, podes processar o ficheiro uma linha de cada vez, decidindo se estás ou não perante um bloco delimitado por /START,/END e, dentro de cada bloco, se estás perante um comando ou um resultado.

Entretanto já passaram alguns dias desde que te responderam; conseguiste solucionar o teu problema? Se sim, como?

[pwseo]

Como nunca mais se pegou neste tópico, decidi colocar aqui a minha resposta (e marcar como resolvido). Utilizei generators para ter maior flexibilidade nos ciclos:

# encoding: UTF-8

from sys import stdin

def blocks(lines):
   # Remover o '\n' de todas as linhas
   lines = (e.strip() for e in lines)

   for l in lines:
       if l == '/START':
           block = []
       elif l == '/END':
           # Devolver um bloco e aguardar pela próxima iteração
           yield block
       else:
           block.append(l)

for b in blocks(stdin):
   print(b)

E aqui fica a execução:

~ $ # Dados originais do braincrash
~ $ python3 bc.py < bc.txt
['<cmd', 'restult_of_cmd', '<cmd', 'result_of_cmd']
['', '<cmd', 'restult_of_cmd', '', '<cmd', 'result_of_cmd', '']
['', '<cmd', 'restult_of_cmd', '', '<cmd', 'result_of_cmd', '']
['', '<cmd', 'restult_of_cmd', '', '<cmd', 'result_of_cmd', '']
['', '<cmd', 'restult_of_cmd', '', '<cmd', 'result_of_cmd', '']
~ $
~ $ # Dados modificados para ser mais fácil identificar os diferentes blocos
~ $ python3 bc.py < bc-mod.txt
['<cmd', 'result_of_cmd1', '<cmd', 'result_of_cmd']
['', '<cmd', 'result_of_cmd2', '', '<cmd', 'result_of_cmd', '']
['', '<cmd', 'result_of_cmd3', '', '<cmd', 'result_of_cmd', '']
['', '<cmd', 'result_of_cmd4', '', '<cmd', 'result_of_cmd', '']
['', '<cmd', 'result_of_cmd5', '', '<cmd', 'result_of_cmd', '']