整蠱文件解析。不一致的直方圖

我需要使用以下格式解析文件。整蠱文件解析。不一致的直方圖

0000000 ...ISBN.. ..Author.. ..Title.. ..Edit.. ..Year.. ..Pub.. ..Comments.. NrtlExt Nrtl Next Navg NQoH UrtlExt Urtl Uext Uavg UQoH ABS NEB MBS FOL 
ABE0001 0-679-73378-7 ABE WOMAN IN THE DUNES (INT'L ED) 1st 64 RANDOM 0.00 13.90 0.00 10.43 0 21.00 10.50 6.44 3.22 2 2.00 0.50 2.00 2.00 ABS

ID和ISBN不是問題，標題是。這些字段沒有設置長度，並且沒有明確的分隔符 - 空間可用於大部分文件。

另一個問題是，在評論字段中並不總是有條目。如果有，則內容中有間隔。

所以我可以得到前兩個，最後十四個。我需要一些幫助來搞清楚如何解析中間六個領域。

此文件是由我無法更改的舊程序生成的。我使用PHP來解析這個文件。

來源

2010-03-16 Ben Truby

是否有標題包含「.. ..」？如果沒有，你可以使用它作爲分隔符，如果有，我們有一個問題=） – Jens 2010-03-16 14:40:21

我不認爲他的問題是解析列的標題，而是在下面的標題列中的數據行（S）。 – Don 2010-03-16 14:48:31

嘗試在Excel中打開您的文件。分隔文件嚮導應該啓動。這是確定哪些分隔符效果最好的簡單方法。一旦你知道了，那麼你可以輕鬆地編寫你的PHP。 – dnagirl 2010-03-16 14:55:39

你需要手工分析你的數據，並找出年份，版本和發佈者的樣子。例如，如果您發現該年份始終是兩位數字，並且發佈者始終來自某個有限的列表，那麼您可以從頭開始。

來源

2010-03-16 15:12:23 user187291

好的建議，謝謝。到達那裏。年份是兩位數字。版總是排名（第1，第3，第9等）。出版商也很棘手..只是發現一些是兩個字。我曾想過從兩端攻擊字符串，抓住我能從中得到的東西。 – 2010-03-16 15:22:44

雖然我沒有看到其他任何方式再猜測了一下我會去了解它是這樣的：

我會規模的離我知道我可以可靠地解析出。離開你ABE WOMAN IN THE DUNES (INT'L ED) 1st 64 RANDOM

從那裏，我會嘗試找出版和儲存和取出版讓你有ABE WOMAN IN THE DUNES (INT'L ED) & 64 RANDOM後，該位置的字符串分割成兩個，另一個選擇是嘗試用一年，但當然諸如1984年的標題可能存在問題。（猜測版當然假設它是所有版本的第7,51等等）。

最後，我會假設我可以在第二個字符串的開始處猜測64年，並進一步限制發佈者（/評論）部分。

剩下的就是純粹的猜測，除非你有作者的列表/出版商地方要匹配的，因爲我會假設，不但有帶空格的意見，但也與他們的名字空間的出版商。但是至少你應該將2個字符串包含在一個作者/標題中，並且在另一箇中包含發佈者（/註釋）。

總而言之，它應該限制手冊部分。

一旦完成我還保存在一個更好的格式的地方，所以我不必去再分析它;）

來源

2010-03-16 15:33:37 Don

我不知道，如果PCRE引擎允許多個組從選擇中因此：（+）

（[A-Z0-1] {7}）\（\ D- \ d {3} - - \ d {5} \ d）\ \（\ d（？：st | nd | rd））\\ d {2} \ （[^ \ d。] +）\（\ d +。\ d {2}）\（\ d +。\ d {2}） \ （\ d + \ d {2}）\（\ d + \ d {2}）\（\ d {1}）\ （\ d + \ d {2}）\（\ d + \ d {2}）\（\ d + \ d {2}）\ （\ d + \ d {2}）\（\ d）\（\ d + \ d {2}）\ （\ d + \ d {2}）\（\ d + \ d {2}）\（\ d + \ d {2}）\ （\ W {3}）

它確實看起來相當醜陋，並沒有解決你的作者題目問題，但它的匹配相當不錯。關於你的問題，我沒有看到任何解決方案，但有作者查找表或使用其他服務通過ISBN查找標題和作者。

這就是說，如果不像在上面的例子中，作者不僅僅是他們的名字。同時仔細檢查可能與上述正則表達式有關的所有異常，因爲標題可能包含1st或類似內容。

來源

2010-03-16 15:59:48 lhw

查找一些信息是一個選項，並將被使用（亞馬遜AWS）。只是想在獲得該文件之前儘可能多地從文件中獲得。 – 2010-03-16 16:03:03

好吧，如果您考慮使用其他服務，那麼您最好只從字符串的末尾開始讀取ISBN和附加系統信息。從AWS或其他領域拿走其餘的。這會使工作更容易。 – lhw 2010-03-16 20:12:46

我也會問自己'這有多好'以及'有多少記錄'？

例如，如果您正在解析此列表以便在網站上出售圖書目錄 - 您可能希望儘可能地做到盡善盡美，但希望您會錯過某些圖書並建立反饋機制，以便您的用戶可以幫助您解決問題（並使您能夠以新格式修復它）。另一方面，如果你一定要做得對，因爲每次錯誤的解析都會浪費很多錢，而且只有幾千本書，你應該計劃靠近，然後做一個人審查整個文件。（在我的第一份工作中，我們花了六週的時間在一個數據轉換項目上轉換了150條記錄 - 這不是一個很好的使用時間）。

來源

2010-03-16 16:09:11

查找ISBN的書名和出版商（在一些在線數據庫），並分析僅剩下:)

BTW。你確定看起來像空間實際上是一個空間嗎？還有更多的「隱形」字符（如非休息空間）。我知道，不是一個好主意，但顯然這種格式的作者很有創意...

來源

2010-03-16 16:16:36 Messa

整蠱文件解析。不一致的直方圖

回答

相關問題