接頭辞と接尾辞の間のコンテンツを抽出する方法は？

Question

中括弧{inside}からテキストを抽出します。これらのテキストの相違点は、\section{または\subsection{のような接頭辞であり、すべてをそれに応じて分類します。そして、すべての終わりは次の閉じた中括弧}によって設定される必要があります。

file = "This is a string of an \section{example file} used for \subsection{Latex} documents." 

# These are some Latex commands to be considered: 

heading_1 = "\\\\section{" 
heading_2 = "\\\\subsection{" 

# This is my attempt. 

for letter in file: 
    print("The current letter: " + letter + "\n") 

Pythonを使用してLatexファイルを処理して自分のデータベースに変換したいと考えています。

Answer 1

はあなただけしたい場合は、単純な正規表現を使用することができ、すべてのファイルのペア(section-level, title)：codewordsリストの値を変更することにより

In [15]: text = ''' 
    ...: \section{First section} 
    ...: 
    ...: \subsection{Subsection one} 
    ...: 
    ...: Some text 
    ...: 
    ...: \subsection{Subsection two} 
    ...: 
    ...: Other text 
    ...: 
    ...: \subsection{Subsection three} 
    ...: 
    ...: Some other text 
    ...: 
    ...: 
    ...: Also some more text \texttt{other stuff} 
    ...: 
    ...: \section{Second section} 
    ...: 
    ...: \section{Third section} 
    ...: 
    ...: \subsection{Last subsection} 
    ...: ''' 

In [16]: regex.findall(text) 
Out[16]: 
[('section', 'First section'), 
('subsection', 'Subsection one'), 
('subsection', 'Subsection two'), 
('subsection', 'Subsection three'), 
('section', 'Second section'), 
('section', 'Third section'), 
('subsection', 'Last subsection')] 

：

import re 

codewords = [ 
    'section', 
    'subsection', 
    # add other here if you want to 
] 

regex = re.compile(r'\\({})\{{([^}}]+)\}}'.format('|'.join(re.escape(word) for word in codewords))) 

使用例をより多くの種類のコマンドに一致することができます。ファイルにこれを適用するに

単にread()それは最初：

with open('myfile.tex') as f: 
    regex.findall(f.read()) 

あなたはすべてのこれらのコマンドは、同じ行にある保証を持っているなら、あなたはより多くのメモリ効率的かつ実行することができます。

Fとしてオープン（ 'myfile.tex'）を持つ： 結果= [] Fの行のための ： results.extends（regex.findall（ライン））

それとも、ビットカ月になりたい場合は空想RE：

from itertools import chain 

with open('myfile.tex') as f: 
    results = chain.from_iterable(map(regex.findall, f)) 

注しかし、あなたのようなものがあればということ：

\section{A very 
    long title} 

をこれが失敗し、なぜread()を使用したソリューションは、あまりにもそのセクションを取得します。

---

いずれにしても、フォーマットのわずかな変更がこれらの種類のソリューションを壊すことに注意する必要があります。このように、より安全な代替手段としては、適切なLaTeXパーサを探す必要があります。

---

特定のセクションに「含まれている」サブセクションをグループ化する場合は、上記の解決策で結果を取得した後に行うことができます。 itertools.groupbyのようなものを使用しなければなりません。 itertoolsから

はGROUPBYをインポートし、カウントし、チェーン

results = regex.findall(text) 

def make_key(counter): 
    def key(match): 
     nonlocal counter 
     val = next(counter) 
     if match[0] == 'section': 
      val = next(counter) 
     counter = chain([val], counter) 
     return val 
    return key 

organized_result = {} 

for key, group in groupby(results, key=make_key(count())): 
    _, section_name = next(group) 
    organized_result[section_name] = section = [] 
    for _, subsection_name in group: 
     section.append(subsection_name) 

そして、最終的な結果は次のようになります。ポストの先頭にテキストの構造と一致した

In [12]: organized_result 
Out[12]: 
{'First section': ['Subsection one', 'Subsection two', 'Subsection three'], 
'Second section': [], 
'Third section': ['Last subsection']} 

。

これをcodewordsリストを使用して拡張可能にしたい場合は、かなり複雑になります。

Answer 2

正規表現モジュールを使いたいと思います。

import re 

s = "This is a string of an \section{example file} used for \subsection{Latex} documents." 

pattern = re.compile(r'\\(?:sub)?section\{(.*?)\}') 
re.findall(pattern, s) 

#output: 
['example file', 'Latex']