如何在SAS中从文本文件提取指定内容：ID、主题及<st>标记段

嘿，这需求我熟！下面给你一套完整的SAS解决方案，帮你从c:\test.txt里精准提取你要的内容并存入数据集。

我们需要分三类内容处理：

• 匹配以id:或subject:开头的行，提取冒号后的有效内容
• 捕获被<st>标记包裹的文本片段（不管是单行还是跨多行）
• 将提取到的所有内容整合到SAS数据集中，保持内容的关联性

如果你的<st>包裹内容都在同一行里，用这段代码足够：

/* 先指定要读取的文件路径 */
filename emailfile 'c:\test.txt';

data extracted_data;
    /* 定义变量长度，按需调整 */
    length line $200 id $50 subject $100 st_content $500;
    /* 保留id和subject的值，确保后续内容能关联到同一组信息 */
    retain id subject;
    /* 读取文件，truncover确保整行内容被读取，不会截断 */
    infile emailfile truncover;
    input line $char200.;

    /* 提取id行：匹配行首的id:，不区分大小写 */
    if lowcase(left(strip(line))) =: 'id:' then do;
        id = strip(substr(line, index(line, ':') + 1));
        st_content = '';
        output;  /* 输出id记录 */
    end;

    /* 提取subject行：匹配行首的subject:，不区分大小写 */
    if lowcase(left(strip(line))) =: 'subject:' then do;
        subject = strip(substr(line, index(line, ':') + 1));
        st_content = '';
        output;  /* 输出subject记录 */
    end;

    /* 提取<st>包裹的内容：找到两个<st>标记之间的文本 */
    if index(line, '<st>') > 0 then do;
        /* 定位第一个<st>的结束位置 */
        start_pos = index(line, '<st>') + 4;
        /* 定位第二个<st>的起始位置 */
        end_pos = index(line, '<st>', start_pos);
        if end_pos > start_pos then do;
            st_content = strip(substr(line, start_pos, end_pos - start_pos));
            output;  /* 输出<st>片段记录 */
        end;
    end;
run;

/* 查看提取结果 */
proc print data=extracted_data noobs;
run;

如果你的<st>内容是跨多行的（比如示例里的换行片段），用这段代码更稳妥，它会自动拼接多行内容直到找到结束的<st>标记：

filename emailfile 'c:\test.txt';

data extracted_data;
    length line $200 id $50 subject $100 st_content $500;
    /* in_st标记是否处于<st>内容块内 */
    retain id subject in_st 0;
    infile emailfile truncover eof=end_of_file;
    input line $char200.;

    /* 提取id：如果当前在<st>块内，先输出已收集的内容再处理id */
    if lowcase(left(strip(line))) =: 'id:' then do;
        if in_st then do;
            output;
            st_content = '';
            in_st = 0;
        end;
        id = strip(substr(line, index(line, ':') + 1));
        st_content = '';
        output;
    end;

    /* 提取subject：逻辑同id */
    if lowcase(left(strip(line))) =: 'subject:' then do;
        if in_st then do;
            output;
            st_content = '';
            in_st = 0;
        end;
        subject = strip(substr(line, index(line, ':') + 1));
        st_content = '';
        output;
    end;

    /* 开始处理<st>块 */
    if index(line, '<st>') > 0 then do;
        in_st = 1;
        /* 提取第一个<st>后的内容 */
        st_content = strip(substr(line, index(line, '<st>') + 4));
        /* 如果本行就有结束的<st>，直接截取并输出 */
        if index(st_content, '<st>') > 0 then do;
            st_content = strip(substr(st_content, 1, index(st_content, '<st>') - 1));
            in_st = 0;
            output;
        end;
    end;
    /* 如果已经在<st>块内，继续追加内容 */
    else if in_st then do;
        if index(line, '<st>') > 0 then do;
            /* 找到结束标记，截取并输出 */
            st_content = catx(' ', st_content, strip(substr(line, 1, index(line, '<st>') - 1)));
            in_st = 0;
            output;
        end;
        else do;
            /* 没有结束标记，继续拼接内容 */
            st_content = catx(' ', st_content, strip(line));
        end;
    end;

    /* 文件结束时，如果还在<st>块内，输出剩余内容 */
    end_of_file:
        if in_st then do;
            output;
            in_st = 0;
        end;
run;

proc print data=extracted_data noobs;
run;

• FILENAME：关联本地文件路径，让SAS能找到要读取的文本文件
• retain：保留变量值不被重置，确保id/subject能和后续的内容关联
• infile truncover：保证读取整行内容，即使行长度超过定义的变量长度
• =:操作符：判断行首是否匹配指定字符串，支持不区分大小写的模糊匹配
• index函数：定位标记（比如）的位置，方便截取中间的有效内容

内容的提问来源于stack exchange，提问作者sshr