如何解析每行结构不同且含无效行的TXT文件中的目标数据

核心思路 #

你提供的文本属于固定字段+固定排版的半结构化文本，不需要做复杂的NLP处理，按关键词匹配+固定位置切分就能100%准确提取所需字段。

分步操作 #

• 第一步：过滤无效行
  直接跳过全为分隔符横线的行，以及不需要的无关表头行，只保留包含目标字段的行。
• 第二步：提取数值类字段（Days、Holidays、Salary、Tax等）
  这类字段的关键词固定，直接用正则匹配关键词后跟随的数值即可，示例正则规则：

  Days匹配规则：Days\s+(\d+)，提取第一分组值即可得到20
  Holidays匹配规则：Holidays\s+(\d+)，提取第一分组值即可得到3
  薪资、税额类带小数的字段匹配规则：Salary\s+(\d+\.\d{2})、Tax\s+(\d+\.\d{2})

• 第三步：提取公司、人员姓名字段
  第二行的排版固定为[公司名称] + 多空格分隔 + [姓名 中间名 姓氏]，两种提取方式可选：
  1. 按固定偏移量切分：观察排版可知姓名区域从行首第20个字符左右开始，直接按字符位置切割行内容，前半段去首尾空格得公司名，后半段去首尾空格得完整姓名
  2. 按多空格分隔：用正则\s{3,}（匹配3个及以上连续空格）把第二行切成两部分，第一部分去掉开头的Company字符串得公司名，第二部分就是完整姓名

示例代码（Python） #

import re

# 读取文件所有行
with open("你的文件路径.txt", "r", encoding="utf-8") as f:
    lines = f.readlines()

result = {}
for line in lines:
    line = line.strip()
    # 跳过空行和分隔线行
    if not line or line.startswith("---"):
        continue
    # 匹配数值字段
    if "Days" in line:
        result["days"] = int(re.search(r"Days\s+(\d+)", line).group(1))
    if "Holidays" in line:
        result["holidays"] = int(re.search(r"Holidays\s+(\d+)", line).group(1))
    if "Salary" in line:
        result["salary"] = float(re.search(r"Salary\s+(\d+\.\d{2})", line).group(1))
    if "Tax" in line:
        result["tax"] = float(re.search(r"Tax\s+(\d+\.\d{2})", line).group(1))
    # 匹配公司和姓名行
    if line.startswith("Company"):
        parts = re.split(r"\s{3,}", line)
        result["company"] = parts[0].replace("Company", "").strip()
        result["full_name"] = parts[1].strip()

print(result)

内容的提问来源于stack exchange，提问作者LeRamme