正则表达式根据文章的目录结构把整篇文章剖析成字典格式

根据章节目录把文章拆分成字典

摘要

 开展文本分析时，文章的章节目录是重要内容。在对不同文章比较时，章节标题往往是重要信息，用户通常有根据标题拿到对应文本内容的需求，比如有如下需求：

• 把一整篇文章，按照树形结构展开;
• 获得文章的目录;

实现基础

 本文基于正则匹配实现，要求文章的有形如第一章 博主文笔真好、第一节 读者点赞
这样规范且固定的标题结构。

效果

如下图所示，展示了将一篇文章，根据目录结构拆分成字典的格式。字典的键是标题，值是内容。若是多级标题，则会以递归方式创造嵌套字典。

代码

import re
from pprint import pprint

data = open('data.txt').read()

level = '章节' # 请把文章的章节列在这里，比如篇章节

def cut(content, value):
    data = re.findall(
        f"(第[一二三四五六七八九十]+{value}.*)\n*([\s\S]*?)(?=第[一二三四五六七八九十]+{value}|\Z)",
        content,
    )
    d = {}
    idx = level.index(value)
    for title, content in data:
        d[title] = content.strip() if idx == len(level) - 1 else cut(content, level[idx + 1])
    return d


res = cut(data, '章')
pprint(res)

在代码的同级目录下创建data.txt文件
下面是data.txt的文件内容：

标题 《彼岸之花》
第一章 迷雾重重
第一节 密林相遇
在茂密的雨林中，探险家李昂首次遇见了神秘女子艾莉娅。他们因为共同的目标——寻找传说中的神秘花朵“彼岸之花”而结伴同行。
第二节 险象环生的征程
李昂和艾莉娅在探险途中遭遇了种种险境，他们不仅要面对恶劣的自然环境，还要与危险的野生动物搏斗。两人在这段旅程中建立了深厚的友谊。
第三节 揭开迷雾
经过艰苦的跋涉，李昂和艾莉娅终于找到了神秘花朵“彼岸之花”所在的位置。然而，花朵却被一道无形的屏障守护着，让他们无法靠近。
第二章 命运的抉择
第一节 神秘力量的诱惑
李昂和艾莉娅在探索过程中发现，“彼岸之花”拥有改变命运的力量。艾莉娅想要利用这股力量改变自己的命运，而李昂则持怀疑态度。
第二节 分道扬镳
因为对力量的追求和信念的差异，李昂和艾莉娅产生了分歧。最终，艾莉娅独自去寻找“彼岸之花”，而李昂则决定返回文明世界。
第三节 重逢与释怀
李昂在离开前与艾莉娅重逢。他们经过一番交谈，终于放下了彼此间的误会与隔阂，重新建立了信任。他们意识到，真正的力量来自于内心的勇敢与善良。
第三章 勇往直前
第一节 挑战自我
为了获得“彼岸之花”，李昂和艾莉娅必须挑战自己的极限。他们不仅要克服内心的恐惧，还要面对未知的危险。在这个过程中，他们逐渐成长并变得更加坚强。
第二节 团结一致
在挑战过程中，李昂和艾莉娅逐渐认识到彼此的重要性。他们开始团结一致，互相扶持，共同面对困难。这种团队精神让他们逐渐接近目标。
第三节 绽放彼岸之花
经过艰苦的努力和无数次的尝试，李昂和艾莉娅终于成功地采摘到了“彼岸之花”。花朵绽放的瞬间，他们感受到了来自内心的喜悦和满足。这段旅程让他们明白了生命的真谛和勇敢追求梦想的重要性。

运行代码后便可得到如下输出结果：
程序结果生成的字典如下所示：

{'第一章 迷雾重重': {'第一节 密林相遇': '在茂密的雨林中，探险家李昂首次遇见了神秘女子艾莉娅。他们因为共同的目标——寻找传说中的神秘花朵“彼岸之花”而结伴同行。',
              '第三节 揭开迷雾': '经过艰苦的跋涉，李昂和艾莉娅终于找到了神秘花朵“彼岸之花”所在的位置。然而，花朵却被一道无形的屏障守护着，让他们无法靠近。',
              '第二节 险象环生的征程': '李昂和艾莉娅在探险途中遭遇了种种险境，他们不仅要面对恶劣的自然环境，还要与危险的野生动物搏斗。两人在这段旅程中建立了深厚的友谊。'},
 '第三章 勇往直前': {'第一节 挑战自我': '为了获得“彼岸之花”，李昂和艾莉娅必须挑战自己的极限。他们不仅要克服内心的恐惧，还要面对未知的危险。在这个过程中，他们逐渐成长并变得更加坚强。',
              '第三节 绽放彼岸之花': '经过艰苦的努力和无数次的尝试，李昂和艾莉娅终于成功地采摘到了“彼岸之花”。花朵绽放的瞬间，他们感受到了来自内心的喜悦和满足。这段旅程让他们明白了生命的真谛和勇敢追求梦想的重要性。',
              '第二节 团结一致': '在挑战过程中，李昂和艾莉娅逐渐认识到彼此的重要性。他们开始团结一致，互相扶持，共同面对困难。这种团队精神让他们逐渐接近目标。'},
 '第二章 命运的抉择': {'第一节 神秘力量的诱惑': '李昂和艾莉娅在探索过程中发现，“彼岸之花”拥有改变命运的力量。艾莉娅想要利用这股力量改变自己的命运，而李昂则持怀疑态度。',
               '第三节 重逢与释怀': '李昂在离开前与艾莉娅重逢。他们经过一番交谈，终于放下了彼此间的误会与隔阂，重新建立了信任。他们意识到，真正的力量来自于内心的勇敢与善良。',
               '第二节 分道扬镳': '因为对力量的追求和信念的差异，李昂和艾莉娅产生了分歧。最终，艾莉娅独自去寻找“彼岸之花”，而李昂则决定返回文明世界。'}}

扩展

若你的标题结构是其他格式的，本代码无法运行，。
若你的章节目录不同，你只需修改下述正则表达式：
f"(第[一二三四五六七八九十]+{value}.*)\n*([\s\S]*?)(?=第[一二三四五六七八九十]+{value}|\Z)"

比如你的章节目录是：

• 第1章 第1节
  正则表达式修改成：
  f"(第\d+{value}.*)\n*([\s\S]*?)(?=第\d+{value}|\Z)"

代码解读

核心代码

如下是一个只拆分章的代码，希望这个小案例能够帮助你理解。

import re
from pprint import pprint

data = open('data.txt').read()
value = "章"
res = re.findall(
    f"(第[一二三四五六七八九十]+{value}.*)\n*([\s\S]*?)(?=第[一二三四五六七八九十]+{value}|\Z)",
    data,
)
d = {}
for title, content in res:
    d[title] = content

pprint(d)

你也可以把value = “章”，换成value = "节"去体会这个区别

如下述结果所示，只从文章中拆分出章：

/usr/bin/python3 /Users/jshen/Documents/git/python/basic/string/examples/章节匹配/test.py 
{'第一章 迷雾重重': '第一节 密林相遇\n'
             '在茂密的雨林中，探险家李昂首次遇见了神秘女子艾莉娅。他们因为共同的目标——寻找传说中的神秘花朵“彼岸之花”而结伴同行。\n'
             '第二节 险象环生的征程\n'
             '李昂和艾莉娅在探险途中遭遇了种种险境，他们不仅要面对恶劣的自然环境，还要与危险的野生动物搏斗。两人在这段旅程中建立了深厚的友谊。\n'
             '第三节 揭开迷雾\n'
             '经过艰苦的跋涉，李昂和艾莉娅终于找到了神秘花朵“彼岸之花”所在的位置。然而，花朵却被一道无形的屏障守护着，让他们无法靠近。\n',
 '第三章 勇往直前': '第一节 挑战自我\n'
             '为了获得“彼岸之花”，李昂和艾莉娅必须挑战自己的极限。他们不仅要克服内心的恐惧，还要面对未知的危险。在这个过程中，他们逐渐成长并变得更加坚强。\n'
             '第二节 团结一致\n'
             '在挑战过程中，李昂和艾莉娅逐渐认识到彼此的重要性。他们开始团结一致，互相扶持，共同面对困难。这种团队精神让他们逐渐接近目标。\n'
             '第三节 绽放彼岸之花\n'
             '经过艰苦的努力和无数次的尝试，李昂和艾莉娅终于成功地采摘到了“彼岸之花”。花朵绽放的瞬间，他们感受到了来自内心的喜悦和满足。这段旅程让他们明白了生命的真谛和勇敢追求梦想的重要性。',
 '第二章 命运的抉择': '第一节 神秘力量的诱惑\n'
              '李昂和艾莉娅在探索过程中发现，“彼岸之花”拥有改变命运的力量。艾莉娅想要利用这股力量改变自己的命运，而李昂则持怀疑态度。\n'
              '第二节 分道扬镳\n'
              '因为对力量的追求和信念的差异，李昂和艾莉娅产生了分歧。最终，艾莉娅独自去寻找“彼岸之花”，而李昂则决定返回文明世界。\n'
              '第三节 重逢与释怀\n'
              '李昂在离开前与艾莉娅重逢。他们经过一番交谈，终于放下了彼此间的误会与隔阂，重新建立了信任。他们意识到，真正的力量来自于内心的勇敢与善良。\n'}

Process finished with exit code 0

递归拆分多级目录

cut是一个递归函数，它的返回值是{ 标题 : cut(内容) }。对上一级递归生成的内容递归调用cut函数生成嵌套字典。
使用level = '章节'，level 代表文章所有的章节结构名。

level = "章节"
idx = level.index(value)
...
idx == len(level) - 1 # 退出递归条件

当递归到达最后一级目录结构，达到递归出口无需继续调用cut函数。

希望上述针对递归粗浅的描述能帮助到你理解！