如何从多文本文件中匹配PL编号并提取对应区块至独立文件

核心思路 #

1. 先从PL编号文件中提取所有目标PL值，统一格式后存入集合（快速查找）
2. 按Name分段读取合并文件，每段处理时提取其中的PL值
3. 若段落PL值匹配目标集合，将整段写入对应独立文件

Python实现代码 #

# 1. 读取并整理目标PL编号集合
target_pls = set()
with open('pl_numbers.txt', 'r', encoding='utf-8') as pl_file:
    for line in pl_file:
        line = line.strip()
        if not line:
            continue
        # 提取纯PL值，忽略前缀空格、大小写差异
        pl_value = line.split(':', 1)[1].strip()
        target_pls.add(pl_value)

# 2. 分段处理合并文件，提取匹配段落
current_segment = []
with open('merged_file.txt', 'r', encoding='utf-8') as merged_file:
    for line in merged_file:
        stripped_line = line.strip()
        # 遇到新的Name段，先处理上一段内容
        if stripped_line.startswith('Name'):
            if current_segment:
                # 从当前段中提取PL值
                pl_in_segment = None
                for seg_line in current_segment:
                    seg_line_stripped = seg_line.strip()
                    if seg_line_stripped.lower().startswith('pl:'):
                        pl_in_segment = seg_line_stripped.split(':', 1)[1].strip()
                        break
                # 匹配成功则写入文件
                if pl_in_segment and pl_in_segment in target_pls:
                    # 替换小数点避免文件名格式问题
                    filename = f'PL_{pl_in_segment.replace(".", "_")}.txt'
                    with open(filename, 'a', encoding='utf-8') as out_file:
                        out_file.write(''.join(current_segment))
                        out_file.write('\n')
            # 重置当前段，加入新的Name行
            current_segment = [line]
        else:
            current_segment.append(line)
    # 处理文件末尾的最后一段
    if current_segment:
        pl_in_segment = None
        for seg_line in current_segment:
            seg_line_stripped = seg_line.strip()
            if seg_line_stripped.lower().startswith('pl:'):
                pl_in_segment = seg_line_stripped.split(':', 1)[1].strip()
                break
        if pl_in_segment and pl_in_segment in target_pls:
            filename = f'PL_{pl_in_segment.replace(".", "_")}.txt'
            with open(filename, 'a', encoding='utf-8') as out_file:
                out_file.write(''.join(current_segment))
                out_file.write('\n')

关键细节说明 #

• 用集合存储目标PL值：4000个元素的查找效率远高于列表，避免循环遍历的性能损耗
• 格式兼容处理：自动忽略Pl:/pl:大小写、前后空格差异，确保匹配准确性
• 分段处理逻辑：逐行读取文件，不一次性加载全部内容，支持超大合并文件处理
• 重复PL处理：同一PL编号对应多个段落时，会追加写入同一个文件，不会覆盖

使用注意事项 #

• 将代码与pl_numbers.txt（PL编号文件）、merged_file.txt（合并文本文件）放在同一目录
• 若文件编码为GBK等非UTF-8格式，需修改代码中encoding参数对应的值

内容的提问来源于stack exchange，提问作者Dsa