文本小说章回目录及内容提取(Python之list、dict试炼)

已于 2022-06-08 00:23:34 修改
阅读量2k 收藏 1
点赞数 3
分类专栏： 练习 文章标签： python
于 2022-06-05 13:04:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_57158496/article/details/125131019
版权
本文档展示了使用 Python 和正则表达式从文本小说中提取章回目录和内容的过程。作者通过练习改善了代码，解决了章回内容错位的问题，并提供了多种输出方式。代码中定义了一个名为 `text_extract` 的函数，该函数接收正则表达式和小说文本，返回一个以章回为键、内容为值的字典。示例代码分别用于演示《稻草人》和《骆驼祥子》的章节提取。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Python 官网：https://www.python.org/

  自学并不是什么神秘的东西，一个人一辈子自学的时间总是比在学校学习的时间长，没有老师的时候总是比有老师的时候多。
            —— 华罗庚

等风来，不如追风去……

文本小说
章回目录及内容提取
(Python之list、dict试炼)


回目录

想法倒是简单：

  先从小说文本提取章回目录，再依章回目录提取章回内容。前面我有做过 re 提取章回的练习：《re提取小说文本章回目录》 。

  但学“艺”不精的我，代码实现起来就难了。反反复复尝试用列表和字符串方法，最终用字符串拆分方法str.split()以章回目录为阈值拆分小说文本，达到目的。👀👀

Bug代码运行效果截屏图

  CSDN博文审核机制判定因涉及“版权不明”，有bug的运行效果截图，就只好撤下去咯。

在这里插入图片描述

在这里插入图片描述

  非但是第一章没有写入，而且还张冠李戴，章回目录和内容“错位”。😭😭
  被几行代码困久，“得意忘形”得错漏都被“无视”😛😛
  更改代码，缩略试炼文本小说字符串，让代码理“简洁”。😜😜用了两种不同的输出调用工具模块函数。


调用工具模块函数

运行效果
在这里插入图片描述
  CSDN博文审核机制判定因涉及“版权不明”，运行效果截图，这张撤下去，修改试炼文本后重run效果图。

提取工具函数调用方式一——直接打印字典

    # 稻草人试码
    re_s = r'第\w*章\s?\w*' # re小说章回目录提取表达式。
    print(f"{cut_line()}{color(1, 'f_green')}输出文本小说章回内容字典：{color(0)}\n{text_extract(re_s, scarecrow)}{cut_line()}")

    # 骆驼祥子试码
    re_s = r'骆驼祥子\w?' # re小说章回目录提取表达式。
    print(f"{cut_line()}{color(1, 'f_green')}输出文本小说章回内容字典：{color(0)}\n{text_extract(re_s, rickshaw_boy)}{cut_line()}")

在这里插入图片描述

提取工具函数调用方式二——打印字典keys

    # 稻草人试码
    re_s = r'第\w*章\s?\w*' # re小说章回目录提取表达式。
    print(f"{cut_line()}{color(1, 'f_green')}输出文本小说章回内容字典keys：{color(0)}\n{list(text_extract(re_s, scarecrow).keys())}{cut_line()}")

    # 骆驼祥子试码
    re_s = r'骆驼祥子\w?' # re小说章回目录提取表达式。
    print(f"{cut_line()}{color(1, 'f_green')}输出文本小说章回内容字典keys：{color(0)}\n{list(text_extract(re_s, rickshaw_boy).keys())}{cut_line()}")

在这里插入图片描述

提取工具函数调用方式三——按章回打印key -> value

    # 稻草人试码
    re_s = r'第\w*章\s?\w*' # re小说章回目录提取表达式。
    print(f"{cut_line()}{color(1, 'f_green')}输出文本小说章回及内容：{color(0)}\n\n")
    for key,value in text_extract(re_s, scarecrow).items():
        print(f"§ {key} §\n{value}\n{'-'*50}\n\n")

    print(cut_line())

    # 骆驼祥子试码
    re_s = r'骆驼祥子\w?' # re小说章回目录提取表达式。
    print(f"{cut_line()}{color(1, 'f_green')}输出文本小说章回及内容：{color(0)}\n\n")
    
    for key,value in text_extract(re_s, rickshaw_boy).items():
        print(f"§ {key} §\n{value}\n{'-'*50}\n\n")

    print(cut_line())

在这里插入图片描述

CSDN：此运行效果截图涉嫌“版权不明”违规，不宜展示。修改试炼文本，再上图。🤠

在这里插入图片描述

== 工具函数代码 ==


def text_extract(re_s, texts):
    
    '''
    提取.txt文本小说章回目录和章回内容，
    返回以章回目录为key，章回内容为value的字典。

    位置参数：
    re_s -> 章回目录提取re表达式字符串
    texts -> 待处理文本小说字符串
    
    '''
    
    texts_dict = {} # 初始化小说章回字典。
    
    from re import findall # 从re模块加载findall方法。
    contents = findall(re_s, texts) # 提取小说章回目录。

    for k,content in enumerate(contents): # 枚举遍历提取章回目录列表。
        tem = texts.split(content) # 以当前章回目录字符串拆分小说文本。
        if k == 0: # 首章写入字典。
            texts_dict['Start'] = tem[0] # 第一章回前面的内容写入字典。
            texts = tem[1] # 待继续拆分文本赋值。
        else: # 其她章回写入字典。
            texts_dict[contents[k-1]] = tem[0]
            texts = tem[1] # 待继续拆分文本赋值。

    texts_dict[content] = texts # 最后一章写入字典。

    return texts_dict # 返回小说章回内容字典。
回目录

试炼文本

一、《稻草人》

(此“稻草人”章回目录是我随意添加，为炼码成为，非原作者叶老先生原文，望阅者和叶老勿怪。)

稻草人
作者：叶圣陶

第一章 田野里的风景

  第一自然段………

第二章 上帝创造稻草人

  第一自然段………

第三章 稻草人很尽责

  第一自然段………

  第二自然段………

  第三自然段………

二、《骆驼祥子》

骆驼祥子一

    第一章回第一自然段……

    第一章回第二自然段………

    第一章回第三自然段………

骆驼祥子二


    第二章回第一自然段………

    第二章回第二自然段………

    第二章回第三自然段………


骆驼祥子三

    第三章回第一自然段………

    他第三章回第二自然段。

    第三章回第三自然段………

    第三章回第四自然段………

  CSDN博文审核机制判定因涉及“版权不明”，试码文本修改为每段落前面数字，以证“码”之功效。连这样子都仍“版权不明”，只好再改了。😭😭如来“真的”，请自行准备版权文本。

回首页

完整 Python 代码(完整代码为最后完成调试后的最终代码，前面贴出的代码是调试出功能就上传的，可能后来已作优化。完整代码中的对应部分，可能比前面贴出的“高级”哦。这是个人记笔记定CSDN博文的习惯所致，敬请谅解。)

  我的解题思路，已融入代码注释，博文中就不再赘述。

(如果从语句注释不能清楚作用，请评论区留言指教和探讨。🤝)

#!/sur/bin/env python
# coding: utf-8

'''
filename: /sdcard/qpython/tem.py
梦幻精灵_cq的炼码场

'''


from mypythontools import TimeSpan, isprime,\
clear, wait, cut_line, color # 从自定，工具模块加载工具。


clear() 
print(f"{cut_line()}{color(1, 'f_green')}{' 自制工具启动成功！':=^32}{color(0)}{cut_line()}")


def text_extract(re_s, texts):
    
    '''
    提取.txt文本小说章回目录和章回内容，
    返回以章回目录为key，章回内容为value的字典。

    位置参数：
    re_s -> 章回目录提取re表达式字符串
    texts -> 待处理文本小说字符串
    
    '''
    
    texts_dict = {} # 初始化小说章回字典。
    
    from re import findall # 从re模块加载findall方法。
    contents = findall(re_s, texts) # 提取小说章回目录。

    for k,content in enumerate(contents): # 枚举遍历提取章回目录列表。
        tem = texts.split(content) # 以当前章回目录字符串拆分小说文本。
        if k == 0: # 首章写入字典。
            texts_dict['Start'] = tem[0] # 第一章回前面的内容写入字典。
            texts = tem[1] # 待继续拆分文本赋值。
        else: # 其她章回写入字典。
            texts_dict[contents[k-1]] = tem[0]
            texts = tem[1] # 待继续拆分文本赋值。

    texts_dict[content] = texts # 最后一章写入字典。

    return texts_dict # 返回小说章回内容字典。


if __name__ == '__main__':

    scarecrow = '''

《稻草人》节选并撰改

''' # 为简洁笔记代码，略去试炼文本，run码请加文本，望君知悉。


    rickshaw_boy = '''

《骆驼祥子》节选

''' # 为简洁笔记代码，略去试炼文本，run码请加文本，望君知悉。


    # 稻草人试码
    re_s = r'第\w*章\s?\w*' # re小说章回目录提取表达式。
    print(f"{cut_line()}{color(1, 'f_green')}输出文本小说章回及内容：{color(0)}\n\n")
    for key,value in text_extract(re_s, scarecrow).items():
        print(f"§ {key} §\n{value}\n{'-'*50}\n\n")

    print(cut_line())

    # 骆驼祥子试码
    re_s = r'骆驼祥子\w?' # re小说章回目录提取表达式。
    print(f"{cut_line()}{color(1, 'f_green')}输出文本小说章回及内容：{color(0)}\n\n")
    
    for key,value in text_extract(re_s, rickshaw_boy).items():
        print(f"§ {key} §\n{value}\n{'-'*50}\n\n")

    print(cut_line())


wait(' Test re txt  ... ')

相关练习笔记：

回目录

My Up and Down：
__上一篇：__ 朴实无华的四则混合运算计算器

__下一篇：__ 小炼二维数组
我的HOT博：
推荐条件 点阅破千
回目录

老齐漫画头像

精品文章：

来源：老齐教室

回目录
Python 入门指南【Python 3.6.3】
好文力荐：

CSDN实用技巧博文：

小说推文之小说内容获取，即小说网站爬取（爬虫遇到字体加密）
qq_16900759的博客
02-18 2061
最近尝试挖掘小说推文领域，发现有好多都需要整理，且内容较多，本次就因为平台没有给小说章节内容，需要手动去小说网站复制，而且最诡异的是网站上不支持复制，而手机只能一页一页的复制，像一个章节就包含了好几页，这样大大的增加了操作难度，因本身具有python基础，故想到了利用爬虫去获取小说内容，话不多说，我们直接开始，一步一步进行探索。第三步，采用ddddocr进行图片识别，内容有部分错误，需手动调节，总体错误率不是太高，因识别率再高需要收费，且识别率有多高尚需验证。第七步，爬取每一章节内容。
python 提取三国每回的内容
qq_44889022的博客
12-05 266
import pandas as pd if __name__ == '__main__': raw = pd.read_csv('./sanguo.txt', names=['txt'],sep='aaa',encoding='utf-8') # print(len(raw)) # 章节判断与变量预处理 def m_head(tmpstr): return tmpstr[:1] def m_mid(tmpstr): retu
怎么用Python提取txt的章节目录？
qq_37944726的博客
01-12 2138
在网络上下载的小说，一般是txt格式的，并且往往是没有目录的。那么有没办法提取出小说的目录呢？
Python-爬取小说文字内容（使用beautiful soup实现）
qq_36864672的博客
10-10 3828
  Python-爬取小说文字内容（beautiful soup） 本次爬取的网站为[http://www.136book.com/][6]，你可以在页面选择你想要爬取的小说。 文中代码使用Anaconda的Jupyter书写。 Beautiful Soup简介 官方解释： Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具...
python章节拆分,python-如何在python中使用拆分功能
weixin_36070568的博客
02-10 278
I have a file with a bunch of information. For example, all of the lines follow the same pattern as this:NebraskaI am trying to use the split function to only retrieve 'Nebraska'. This is what I have ...
python按文件目录提取所需文档相关数据并打印
Jacktuo的博客
04-19 910
python按文件目录提取所需文档相关数据并打印 import os #总文件路径 file_path = r'E:\0scc_program\palette_optimism-win32' #file_path路径下的所有文件生成列表 folders = os.listdir(file_path) #遍历路径下的所有文件 for file in folders: #按照分割条件找出所需文件 if(file.split('mit')[0]=='li'): #路径拼接
Python中文文本分析(期末大作业).rar
08-05
在本项目中，“Python中文文本分析(期末大作业).rar”是一个包含一系列文件的压缩包，主要用于使用Python进行中文文本的分析。这个作业涉及到多个重要的Python技术和数据可视化方面，包括文本读取、词云图绘制、人物...
Python学习之路-NLP（人物提取）
m0_58998775的博客
06-11 3738
import os import jieba.posseg as psg import jieba import time import re novel = 'hlm' dir = './Text/'+novel #jieba.load_userdict(dir+'/mydict.txt') # 字典合并 def combineListToDic(list): if len(list) <= 1: return list temp = {} for l i.
Python实现小说文本分析与可视化(附可执行文件)
在这个项目中，第一步是利用Python读取存储在文本文件中的小说内容。这通常通过Python的内置函数open()来实现，它能够打开一个文件并返回一个文件对象。通过读取这个对象，我们可以将小说的文本内容加载到内存中，...
python爬虫（爬取三国演义小说章节标题和章节内容）+bs4数据解析
qq_44026036的博客
02-11 3940
1、网页URL: http://www.shicimingju.com/book/sanguoyanyi.html 1.1 注意安装环境 pip install bs4 pip install lxml(解析器) 1.2 数据解析原理： 1.2.1 标签定位 1.2.2 提取标签、标签属性中存储的数据值 1.3 bs4数据解析的原理：（bs4只能用于python） 1.3.1实例化一个Beauti...
提取电子书中的文字
03-03
提取电子书中的文字，功能很强
Python爬虫实战 | 爬取网络中的小说
最新发布
m0_48891301的博客
10-10 936
网络文学是新世纪我国流行文化中的重要领域，年轻人对网络小说更是有着广泛的喜爱。本文以抓取网络小说正文为例编写一个简单、实用的爬虫脚本。
Python之拆分目录
python学习者的博客
08-03 1613
成分目录的好习惯，使得代码保持整洁，为以后的代码管理提供方便。 一、概念 一般目录有以下几个： bin：程序入口，存放start文件。 conf：存放固定的配置信息，比如：连接redis的配置信息、连接mysql的配置信息等。 lib：存放main文件、tools文件等。 logs：存放日志 文件： start文件：程序运行开始。 main文件：存放主逻辑。 t...
第三十七篇 软件开发规范
weixin_41696733的博客
07-23 252
为什么要设计好目录结构? "设计项目目录结构"，就和"代码编码风格"一样，属于个人风格问题。对于这种风格上的规范，一直都存在两种态度: 一类同学认为，这种个人风格问题"无关紧要"。理由是能让程序work就好，风格问题根本不是问题。 另一类同学认为，规范化能更好的控制程序结构，让程序具有更高的可读性。 我是比较偏向于后者的，因为我是前一类同学思想行为下的直接受害者。我曾经维...
Python爬虫之爬取小说章节目录
江小白的博客
03-02 6783
文章目录1. 网络爬虫的定义1.1 网络资源有哪些？2. 开发爬虫的步骤3. 小说章节链接爬取 1. 网络爬虫的定义 模拟浏览器自动的浏览网页 自动的批量的采集我们需要的网络资源 一个脚本(程序) 1.1 网络资源有哪些？ 网页 图片 视频 音频 文件 2. 开发爬虫的步骤 目标数据（网站、页面） 分析数据加载流程（分析目标数据所对应的url） 下载数据 清洗，处理数据 数据持久化 3...
快速提取书上的文字的方法
08-23 1210
现在手机的功能是越来越强大了，我们可以在手机上实现很多事情。就比如将书本的 文字快速的给识别提取出来，不用像过去那样拿笔去摘抄文字。这些都可以使用手机 搞定。那么具体该怎么操作呢？下面小编就给大家讲解一下。 操作步骤如下： 1、我们要用达到的识别工具就是迅捷PDF阅读器，这是一款多...
Python 读取txt小说 并且分章节存储到txt
tpwe的博客
05-28 968
# This is a sample Python script. # Press Shift+F10 to execute it or replace it with your code. # Press Double Shift to search everywhere for classes, files, tool windows, actions, and settings. # content =""; import re import os writecontents = '' with.
我想用python语言实现对txt文章中想要内容进行抓取
weixin_35756690的博客
01-04 1222
如果你想用 Python 语言实现对 txt 文章中的指定内容进行抓取，你可以使用 Python 的文件操作函数打开 txt 文件，然后使用字符串处理函数来提取文本中的指定内容。 下面是一个例子，假设你想要从 txt 文件中抓取所有以 "Hello" 开头的行： # 打开文件 with open("article.txt", "r") as file: # 遍历文件中的每一行 fo...
python章节_Python如何自动将标题/章节拆分为单独的文件
weixin_35056962的博客
01-30 956
我最终找到了上述问题的答案。下面的代码除了获取文件头外，还做了很多工作。它还同时加载两个并行列表数组，分别带有格式化的文件名数据(带扩展名)和纯头名称数据，这样我就可以使用这些列表在while循环中一次性填充这些html文件中的和格式化的文件名扩展名。代码现在运行良好，如下所示。在def splitHeaderstoFiles(dir, inpath):count = 1t_count = 0ou...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

梦幻精灵_cq

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值