C++实现 搜狗实验室新闻语料抽取

搜狗实验室下载数据格式如下。要提取的内容为第二行中的类型，第四行中的标题，第五行中的内容。下面的方法是将所需要的数据抽取到1.txt文本中。

#include<fstream>

#include<iostream>
#include<string>
using namespace std;
int main()
{
ifstream infile("D://news.sohunews.010801.txt");//读文件流
ofstream outfile("D://1.txt");                  //写文件流
string str;                                     //定义字符串str
string result_str;                              //定义字符串result_str
int line_size = 0;                              //控制行数
while (getline(infile, str))                    //按行读取文件存储在str字符串中
{
line_size++;
if (line_size % 6 == 2)                     //如果行数等于2则提取新闻所属于的类别
{
string::size_type pos1, pos2;           //设置pos1 pos2来定位要截取的字符串的位置。
pos1 = str.find('/');                   //前面字符为'/'
pos2 = str.find(".sohu");               //后面字符串为.sohu
result_str = str.substr(pos1+2,pos2-pos1-2);   //substr(参数1，参数2)  参数1为开始截取的位置，参数2为截取的长度。
outfile << result_str << "###";                //输出内容到文件，以###作为分隔符。
}
if (line_size % 6 == 4)                    //行数为4时提取新闻的标题内容
{
string::size_type pos1, pos2;
pos1 = str.find('>');
pos2 = str.find("</");
result_str = str.substr(pos1 + 1, pos2-pos1-1);
outfile << result_str << "###";
}
if (line_size % 6 == 5)                     //行数为5提取新闻的正文内容
{
string::size_type pos1, pos2;
pos1 = str.find('>');
pos2 = str.find("</");
result_str = str.substr(pos1 + 1, pos2 - pos1 - 1);
outfile << result_str;
}
if (line_size % 6 == 0)                    //行数为6时输出一个换行符
{
outfile<< endl;
}
}
system("pause");

}

运行结果如下：