Python读取文件提取特定格式法律引用内容问题求助

原代码核心问题 #

1. 全小写转换干扰匹配：把文本转成全小写后，会混淆原始语境中作为引用开头的"in"与其他单词中的in，同时丢失原始格式信息。
2. 逗号查找逻辑脆弱：使用index()查找逗号，一旦找不到会直接抛出异常，应该用find()并做存在性判断。
3. 索引复用错误：closest_index变量未在每次处理独立引用时重置，导致跨引用的索引被复用，提取内容范围混乱。
4. 未区分两种场景：原代码没有针对场景1（整段关联引用）和场景2（独立引用）做逻辑分支，无法满足两种提取需求。

分场景解决方案 #

场景1：提取整段关联的法律引用 #

提取从第一个有效"in"开头，到整段最后一个关联逗号结束的完整法律引用内容：

file_path = 'demofile.txt'
with open(file_path, 'r', encoding='utf-8') as file:
    text = file.read().strip()

# 场景1：提取整段关联引用
in_positions = []
start = 0
while True:
    pos = text.find('in ', start)
    if pos == -1:
        break
    # 验证"in "是引用开头：前面为空白符或文本起始
    if pos == 0 or text[pos-1] in (' ', '\n', '\t'):
        in_positions.append(pos)
    start = pos + 3

if not in_positions:
    print("未找到符合条件的引用开头")
else:
    segment_start = in_positions[0]
    last_v_pos = text.rfind('v.', segment_start)
    if last_v_pos == -1:
        print("未找到包含v.的内容")
    else:
        # 优先找v.后的最后一个逗号，无逗号则取段落换行处或文本结尾
        last_comma_pos = text.rfind(',', last_v_pos)
        if last_comma_pos == -1:
            last_comma_pos = text.find('\n', last_v_pos)
            if last_comma_pos == -1:
                last_comma_pos = len(text)
        full_segment = text[segment_start:last_comma_pos].strip()
        print("场景1提取结果：")
        print(full_segment)

场景2：提取独立的符合条件引用 #

逐个提取每个独立的in...v....,结构：

file_path = 'demofile.txt'
with open(file_path, 'r', encoding='utf-8') as file:
    text = file.read().strip()

# 场景2：提取独立引用
current_pos = 0
print("场景2提取结果：")
while True:
    in_pos = text.find('in ', current_pos)
    if in_pos == -1:
        break
    # 验证"in "是引用开头
    if not (in_pos == 0 or text[in_pos-1] in (' ', '\n', '\t')):
        current_pos = in_pos + 3
        continue
    
    v_pos = text.find('v.', in_pos)
    if v_pos == -1:
        break
    
    # 找v.后的第一个逗号，无逗号则取换行处或文本结尾
    comma_pos = text.find(',', v_pos)
    if comma_pos == -1:
        comma_pos = text.find('\n', v_pos)
        if comma_pos == -1:
            comma_pos = len(text)
    
    # 过滤过短的无效匹配
    extracted = text[in_pos:comma_pos].strip()
    if len(extracted) > 10:
        print(f"- {extracted}")
    
    current_pos = comma_pos + 1

关键优化点 #

• 保留原始文本格式，仅匹配作为引用开头的"in "（验证前置字符为空白或文本起始）
• 用find()替代index()，避免找不到元素时抛出异常
• 场景1优先锁定整段的起始与结尾，场景2逐个独立处理每个引用
• 增加过短内容过滤，减少无效匹配

内容的提问来源于stack exchange，提问作者Samarth Naik