TXT格式的法规汇编单独分拆-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_69327572/article/details/145720635

一、文档概述

本技术文档主要介绍的功能是从一个包含大量法规文本的 Compilation.txt 文件中，根据 headline.txt 文件中所列出的标题，将法规文本按标题进行分割，并将每个标题对应的内容分别保存为独立的 TXT 文件，输出到指定的目录中。

二、主要功能

（一）读取法规文本和标题信息

读取 Compilation.txt 文件
- 功能：从指定路径的 Compilation.txt 文件中读取全部文本内容，并将其按行存储在一个列表中，方便后续逐行处理。
- 实现方式：使用 Python 的内置函数 open() 以只读模式（'r'）打开文件，指定编码为 'utf - 8'，然后使用 readlines() 方法读取文件的所有行。
读取 headline.txt 文件中的标题
- 功能：从 headline.txt 文件中提取法规文件的标题信息。在提取过程中，会对每一行进行处理，去除前后的空白字符，跳过空行，同时按第一个空格分割，取分割后的第二部分作为标题并存储在一个列表中。
- 实现方式：同样使用 open() 函数打开文件，逐行读取，使用 strip() 方法去除前后空格，利用 split(' ', 1) 按第一个空格分割，将处理后的标题添加到 headlines 列表中。

（二）创建输出目录

功能：检查指定的输出目录是否存在，如果不存在则创建该目录，确保后续生成的文件有合适的存储位置。
实现方式：使用 Python 的 os.path.exists() 函数检查目录是否存在，若不存在则使用 os.makedirs() 函数创建目录。

（三）法规文本按标题分割与存储

遍历文档内容并匹配标题
- 功能：遍历 Compilation.txt 文件中的每一行文本，检查该行文本是否包含 headline.txt 文件中提取的标题。若包含标题，将之前存储的内容保存为一个文件，更新当前标题，并清空存储内容的列表，准备存储新标题下的内容。
- 实现方式：使用 for 循环遍历存储法规文本的列表，对每行文本使用 strip() 去除前后空格，然后使用 for 循环遍历标题列表，使用 if headline in text 进行匹配判断。
保存分割后的法规文本
- 功能：当检测到新的标题时，将之前存储的文本内容保存为一个独立的 TXT 文件，文件名根据标题进行清理后生成。同时，在最后遍历结束后，将最后一个标题对应的文本内容也保存为文件。
- 实现方式：使用 clean_filename() 函数对标题进行清理（确保文件名合法），使用 os.path.join() 函数构建文件的完整路径，使用 open() 函数以写入模式（'w'）打开文件，使用 write() 方法将存储的文本内容写入文件。

三、输出与日志

在整个处理过程中，会输出一些日志信息，帮助用户了解程序的执行情况。主要包括提取的标题信息、找到新标题的提示以及保存文件的路径信息。例如，会打印出 “Headlines extracted: [标题列表]”、“Found new title: [标题名称]” 和 “Saved [文件路径]” 等信息。

四、总结

该功能主要实现了法规文本的分割与存储，通过读取 Compilation.txt 文件和 headline.txt 文件，将法规文本按标题进行分割，并将每个标题对应的内容保存为独立的 TXT 文件，方便后续对法规文本进行分类管理和使用。同时，通过日志信息的输出，用户可以清晰地了解程序的执行过程和结果。

完整代码

import os
import re

def clean_filename(filename):
    # 去除非法字符
    filename = re.sub(r'[\\/*?:"<>|]', '', filename)
    # 去除多余的空格
    filename = filename.strip()
    return filename

def extract_content_by_headlines(compilation_file_path, headline_file_path, output_dir):
    # 读取Compilation.txt文件中的内容
    with open(compilation_file_path, 'r', encoding='utf-8') as compilation_file:
        full_text = compilation_file.readlines()
    
    # 读取headline.txt文件中的标题
    headlines = []
    with open(headline_file_path, 'r', encoding='utf-8') as headline_file:
        for line in headline_file:
            line = line.strip()
            if line:  # 跳过空行
                parts = line.split(' ', 1)  # 按第一个空格分割
                if len(parts) > 1:  # 确保有标题部分
                    headlines.append(parts[1].strip())
    print("Headlines extracted:", headlines)
    
    # 创建输出目录（如果不存在）
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)
    
    # 初始化变量
    current_section = []
    current_title = None
    
    # 遍历文档内容
    for text in full_text:
        text = text.strip()  # 去除前后空格
        # 检查当前文本是否匹配任何标题
        matched = False
        for headline in headlines:
            if headline in text:  # 更灵活的匹配逻辑
                if current_title is not None:
                    # 清理文件名
                    clean_title = clean_filename(current_title)
                    # 保存当前部分
                    file_path = os.path.join(output_dir, f"{clean_title}.txt")
                    with open(file_path, 'w', encoding='utf-8') as txt_file:
                        txt_file.write("".join(current_section).strip())
                    print(f"Saved {file_path}")
                
                # 更新当前标题
                current_title = headline
                current_section = []
                matched = True
                print(f"Found new title: {current_title}")
                break
        if not matched:
            # 如果没有匹配到标题，添加内容到当前部分
            current_section.append(text)
    
    # 保存最后一个部分
    if current_title is not None:
        clean_title = clean_filename(current_title)
        file_path = os.path.join(output_dir, f"{clean_title}.txt")
        with open(file_path, 'w', encoding='utf-8') as txt_file:
            txt_file.write("".join(current_section).strip())
        print(f"Saved {file_path}")

# 使用示例
compilation_file_path = r"D:\MyPythonProject\Word_TXT\Compilation.txt"
headline_file_path = r"D:\MyPythonProject\Word_TXT\headline.txt"
output_dir = r"D:\MyPythonProject\Word_TXT\output_txt"
extract_content_by_headlines(compilation_file_path, headline_file_path, output_dir)