目录自动清洗

迷南。 2024-02-18 12:10 6阅读 0赞

#### 文章目录 ####

*  前言
 *  一、需求分析
 *  二、操作步骤详解（标准章节）
 *   *  1. 提取文章目录
     *  2. 更改保存目录.txt
     *  3. 二级标题前面加4个空格
     *  4. 在章字和节字后面添加一个空格
     *  5. 在页码前面加上=>符号
     *  6. 代码完全体
 *  三、进阶一（有章无节+小数二级标题）
 *   *  1. 二级标题前面加4个空格
     *  2. 在标题里面添加一个空格
     *  3. 在页码前面加上=>符号
     *  4. 去除=>符号和汉字之间的冗余符号
     *  5. 删除空行
     *  6. 代码完全体
     *  7. 进阶说明
 *  拓展与补充
 *   *  1. content = file.read() 与 lines = file.readlines() 读取文件的区别
 *  总结

## 前言 ##

为了巩固所学的知识，作者尝试着开始发布一些学习笔记类的博客，方便日后回顾。当然，如果能帮到一些萌新进行新技术的学习那也是极好的。作者菜菜一枚，文章中如果有记录错误，欢迎读者朋友们批评指正。  
（博客的参考源码可以在我主页的资源里找到，如果在学习的过程中有什么疑问欢迎大家在评论区向我提出）

## 一、需求分析 ##

![在这里插入图片描述][2df401f706e04eae8ebc1b4cf7566cca.jpeg_pic_center]

> 1. 这是一个标准的章节目录，我们需要保留目录的前两级标题，也就是包含章和节字的标题  
> 2. 需要在二级标题所在行最前面空4个格子，一级标题不用  
> 3. 需要在章和节字的后面加上一个空格  
> 4. 需要在页码前面加上=>符号  
> 5. 示例效果如下：

![在这里插入图片描述][653ecb1f1c494ae78979a433b9016f22.png]

## 二、操作步骤详解（标准章节） ##

### 1. 提取文章目录 ###

**1. 图片识别文字提取文章目录**

[http://183.62.34.62:8004/docs\#/defaul/text\_detection\_text\_system\_analysis\_menus\_\_post][http_183.62.34.62_8004_docs_defaul_text_detection_text_system_analysis_menus_post]

**2. 使用方法**

![在这里插入图片描述][bbedabc5016847179cbdfd28f0d0610c.png]

**3. 识别示例**

![在这里插入图片描述][20d77ac563984614993a47b4a7c9674d.png]

### 2. 更改保存目录.txt ###

你可以使用Python中的`open`函数来打开文件，`read`方法读取文件内容，然后对内容进行修改，最后使用`write`方法将修改后的内容写回文件。以下是一个简单的例子：

import os
    # 获取桌面路径
    desktop_path = os.path.join(os.path.expanduser("~"), "Desktop")
    
    # 目标文件路径
    file_path = os.path.join(desktop_path, "目录.txt")
    
    # 打开文件并读取内容
    with open(file_path, 'r', encoding='utf-8') as file:
        content = file.read()
    
    # 修改内容（这里只是一个简单的例子）
    modified_content = content.replace('章', '章666')
    
    # 将修改后的内容写回文件
    with open(file_path, 'w', encoding='utf-8') as file:
        file.write(modified_content)

![在这里插入图片描述][ae3587c4686d4f498fb2d16da67c5d72.png]

请确保你有足够的权限读取和写入文件。此外，这只是一个简单的例子，如果需要进行更复杂的操作，可以使用正则表达式或其他处理方式来实现。

### 3. 二级标题前面加4个空格 ###

# 去除空格
        line = line.replace(" ", "")
        if '节' in line:
            # 二级标题添加4个空格
            line = ' ' * 4 + line

![在这里插入图片描述][762c36ae17a74b8e9ebd1962d759fcff.png]  
`lstrip(' ') 是 Python 字符串方法，用于删除字符串开头（左侧）的指定字符。在这里，' ' 表示空格字符。`

### 4. 在章字和节字后面添加一个空格 ###

# 使用正则表达式在'章'或'节'后面添加一个空格
        line = re.sub(r'(章|节)(?![ ])', r'\1 ', line)

![在这里插入图片描述][2f5194c4cc06453ca74f0d3bd0cd1788.png]

### 5. 在页码前面加上=>符号 ###

# 匹配并去除最外层的英文括号
        pattern_en = r'$([\d\s]+)$'
        line = re.sub(pattern_en, r'\1', line)
        # 匹配并去除最外层的中文括号及其内部内容（包括空格）
        pattern = r'（([^）]+)）'
        line = re.sub(pattern, r'\1', line)
        line = line.replace(" ", "")
        # 确保每行只有一个 =>
        if '=>' not in line:
            # 在每行数字前加上 =>
            line = re.sub(r'(\d+)', r'=>\1', line)

![在这里插入图片描述][d57c2212070a4f7c917b7ef7bfbcbcb3.png]

### 6. 代码完全体 ###

# 获取桌面路径
    import os
    import re
    
    desktop_path = os.path.join(os.path.expanduser("~"), "Desktop")
    
    # 目标文件路径
    file_path = os.path.join(desktop_path, "目录.txt")
    
    # 打开文件并读取内容
    with open(file_path, 'r', encoding='utf-8') as file:
        lines = file.readlines()
    
    modified_lines = []
    for line in lines:
        # 去除空格
        line = line.replace(" ", "")
        # 匹配并去除最外层的英文括号
        pattern_en = r'$([\d\s]+)$'
        line = re.sub(pattern_en, r'\1', line)
        # 匹配并去除最外层的中文括号及其内部内容（包括除数字和空格以外的字符）
        pattern = r'（([^）]+)）'
        line = re.sub(pattern, r'\1', line)
        # 确保每行只有一个 =>
        if '=>' not in line:
            # 在每行数字前加上 =>
            line = re.sub(r'(\d+)', r'=>\1', line)
        # 使用正则表达式在'章'或'节'后面添加一个空格
        line = re.sub(r'(章|节)(?![ ])', r'\1 ', line)
        if '节' in line:
            # 二级标题添加4个空格
            line = ' ' * 4 + line
        modified_lines.append(line)
    # 将修改后的内容写回文件
    with open(file_path, 'w', encoding='utf-8') as file:
        file.writelines(modified_lines)
    
    # 读取文件内容
    with open(file_path, 'r', encoding='utf-8') as file:
        content = file.read()
        print(content)

## 三、进阶一（有章无节+小数二级标题） ##

![在这里插入图片描述][e1237e918e7841e8896e30e138ada1f2.jpeg_pic_center]

### 1. 二级标题前面加4个空格 ###

`如果章字不在行内，则初步认定他为二级标题`

# 去除空格
        line = line.replace(" ", "")
         if '章' not in line:
            # 二级标题添加4个空格
            line = ' ' * 4 + line

![在这里插入图片描述][64d31ab9efb748b5a30f4c182d646349.png]

### 2. 在标题里面添加一个空格 ###

# 使用正则表达式在'章'或'节'后面添加一个空格，仅在后面没有空格的情况下
        line = re.sub(r'(章|节)(?![ ])', r'\1 ', line)
        # 在小数点后添加空格
        line = re.sub(r'(\.\d)', r'\1 ', line)

![在这里插入图片描述][f6c2154a329440eabf99098f9b56e5a6.png]

### 3. 在页码前面加上=>符号 ###

# 匹配并去除最外层的英文括号
        pattern_en = r'$([\d\s]+)$'
        line = re.sub(pattern_en, r'\1', line)
        # 匹配并去除最外层的中文括号及其内部内容（包括除数字和空格以外的字符）
        pattern = r'（([^）]+)）'
        line = re.sub(pattern, r'\1', line)
        # 确保每行只有一个 =>
        if '=>' not in line:
            # 在页码数字前添加 =>（只在行尾）
            line = re.sub(r'(\d+)$', r'=>\1', line)

![在这里插入图片描述][dc06976496a54d21931a1e4578328dc4.png]

### 4. 去除=>符号和汉字之间的冗余符号 ###

# 去除中文汉字和'=>整体符号左边的冗余符号
        pattern = r'([\u4e00-\u9fff]+)[^\w\s]+=>'
        line = re.sub(pattern, r'\1=>', line)

![在这里插入图片描述][85bb98cbbe494d2ca673d30b510fdd24.png]

### 5. 删除空行 ###

# 去除空格
        line = line.replace(" ", "")
        if len(line) == 1:
            continue

![在这里插入图片描述][c65124883f3f4ce8b389e84c917c644b.png]

### 6. 代码完全体 ###

# 获取桌面路径
    import os
    import re
    
    desktop_path = os.path.join(os.path.expanduser("~"), "Desktop")
    
    # 目标文件路径
    file_path = os.path.join(desktop_path, "目录.txt")
    
    # 打开文件并读取内容
    with open(file_path, 'r', encoding='utf-8') as file:
        lines = file.readlines()
    
    modified_lines = []
    for line in lines:
        # 去除空格
        line = line.replace(" ", "")
        # 使用正则表达式在'章'或'节'后面添加一个空格，仅在后面没有空格的情况下
        line = re.sub(r'(章|节)(?![ ])', r'\1 ', line)
        # 在小数点后添加空格
        line = re.sub(r'(\.\d)', r'\1 ', line)
        if '章' not in line:
            # 二级标题添加4个空格
            line = ' ' * 4 + line
        # 匹配并去除最外层的英文括号
        pattern_en = r'$([\d\s]+)$'
        line = re.sub(pattern_en, r'\1', line)
        # 匹配并去除最外层的中文括号及其内部内容（包括除数字和空格以外的字符）
        pattern = r'（([^）]+)）'
        line = re.sub(pattern, r'\1', line)
        # 确保每行只有一个 =>
        if '=>' not in line:
            # 在页码数字前添加 =>（只在行尾）
            line = re.sub(r'(\d+)$', r'=>\1', line)
        modified_lines.append(line)
    # 将修改后的内容写回文件
    with open(file_path, 'w', encoding='utf-8') as file:
        file.writelines(modified_lines)
    
    # 读取文件内容
    with open(file_path, 'r', encoding='utf-8') as file:
        content = file.read()
        print(content)

### 7. 进阶说明 ###

> 1. 兼容标准章节版本

> 2. 章和章之间识别为第二级目录

> 3. 只在标题末尾页码数字添加=>符号

> 4. 去除箭头和汉字之间识别出来的冗余符号

> 5. 去除空行

## 拓展与补充 ##

### 1. content = file.read() 与 lines = file.readlines() 读取文件的区别 ###

在 Python 中，`file.read()` 和 `file.readlines()` 两者可以在同一个文件句柄中使用，但是要注意的是，`file.read()` 会读取整个文件内容为一个字符串，而 `file.readlines()` 会读取整个文件内容并将每一行作为一个字符串放入列表中

如果你使用了 `file.read()`，那么之后再使用 `file.readlines()` 将不会得到任何内容，因为文件指针已经在文件的末尾。如果需要再次读取文件，你可以使用 `file.seek(0)` 将文件指针重新定位到文件的开头

以下是一个演示的例子：

# 使用 file.read()
    with open('example.txt', 'r', encoding='utf-8') as file:
        content = file.read()
        print(content)
    
    # 使用 file.readlines()，注意在上面使用了 file.read() 之后，需要重新打开文件或者使用 file.seek(0)
    with open('example.txt', 'r', encoding='utf-8') as file:
        file.seek(0)
        lines = file.readlines()
        print(lines)

总的来说，两者是可以在同一个文件句柄中使用的，只是需要注意文件指针的位置。

## 总结 ##

欢迎各位留言交流以及批评指正，如果文章对您有帮助或者觉得作者写的还不错可以点一下关注，点赞，收藏支持一下。  
（博客的参考源码可以在我主页的资源里找到，如果在学习的过程中有什么疑问欢迎大家在评论区向我提出）

[2df401f706e04eae8ebc1b4cf7566cca.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/ee17d8f374b941d89697d9b0039c7f16.png
[653ecb1f1c494ae78979a433b9016f22.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/984d8a132d4d463a8367cbb128ef747a.png
[http_183.62.34.62_8004_docs_defaul_text_detection_text_system_analysis_menus_post]: http://183.62.34.62:8004/docs#/defaul/text_detection_text_system_analysis_menus__post
[bbedabc5016847179cbdfd28f0d0610c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/09a564c103a142fb85594289396f0f0d.png
[20d77ac563984614993a47b4a7c9674d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/871bf753692e4266b8ea2d10b3892937.png
[ae3587c4686d4f498fb2d16da67c5d72.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/c51579dabfc043e895c528e2633df148.png
[762c36ae17a74b8e9ebd1962d759fcff.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/bb996274396a4dde8f08a3867794d597.png
[2f5194c4cc06453ca74f0d3bd0cd1788.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/492d23b905d44b46b549a3d81dec0cd9.png
[d57c2212070a4f7c917b7ef7bfbcbcb3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/30b96705a32d450ba632956bd690a37b.png
[e1237e918e7841e8896e30e138ada1f2.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/07f66d1079ea42b98ff97f00b6a027f7.png
[64d31ab9efb748b5a30f4c182d646349.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/be5d77d5d411428984f7f4682dfa659f.png
[f6c2154a329440eabf99098f9b56e5a6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/1f676402e9db4ee19d64eba9078316e5.png
[dc06976496a54d21931a1e4578328dc4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/dfa9b618f18a481fbbfb03c10458d61e.png
[85bb98cbbe494d2ca673d30b510fdd24.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/8b01f23b3c7641b0a1a906e2c933e41d.png
[c65124883f3f4ce8b389e84c917c644b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/18/391467b8faf04ce9a08ff1554ee69896.png