从文本到 JSON 输出格式化的指南

2024-03-14 16:59:47

JSON 输出格式化：从文本到结构化数据的指南

作为程序员，经常需要处理各种数据格式，其中 JSON（JavaScript Object Notation）以其轻量、易于解析的特性脱颖而出。在处理文本数据时，将文本信息提取为格式化的 JSON 至关重要。本文将提供一份综合指南，帮助您从文本中提取信息并将其格式化为有效的 JSON 输出。

1. 理解 JSON 结构

JSON 是一种基于文本的数据格式，它使用名称-值对（键值对）来表示数据。键值对由冒号（:）分隔，多个键值对用逗号（,）分隔。JSON 结构采用树状层次，类似于对象嵌套，其中对象包含其他对象或数组。

2. 从文本中提取信息

从文本中提取相关信息需要借助正则表达式或其他解析技术。正则表达式 是一种用于匹配字符串模式的强大工具。可以使用正则表达式从文本中提取标题（问题）、节点 ID 和详细说明等特定信息。

3. 构建字典和列表

提取的信息存储在字典或列表中。字典以键值对的形式存储数据，而列表以有序的方式存储元素。对于 JSON 输出，可以使用字典来表示具有键值对结构的数据，而列表可以表示数组。

4. 将数据转换为 JSON

使用 json.dumps() 函数可以将字典和列表转换为 JSON 字符串。此函数可将 Python 数据结构转换为 JSON 格式，以便存储或传输。

5. 格式化 JSON 输出

为了提高可读性，建议将 JSON 输出格式化为缩进和换行符。这可以帮助轻松查看数据结构并识别嵌套级别。

改进后的 Python 代码

import re
import json
from nltk.tokenize import sent_tokenize

def extract_data(text):
    section_pattern = r'\d+\.\s\*(.*?)\((Node ID:.*?)\).*?((?=\d+\.\s*\*)|$)|\-\s(.*?)\n\n'
    section_regex = re.compile(section_pattern, re.MULTILINE | re.DOTALL)
    
    matches = section_regex.findall(text)
    data = []
    
    for match in matches:
        heading = match[0].strip()
        node_ids = re.findall(r'\d+:\d+', match[1])
        detailed_desc = extract_detailed_desc(match[3].strip())
        data.append({
                'issue': heading,
                'node_ids': node_ids,
                'detailed_feedback': detailed_desc
                })

    return data

def extract_detailed_desc(text):
    sentences = sent_tokenize(text)
    detailed_desc = []
    for sentence in sentences:
        detailed_desc.append(sentence.strip('-').strip())
    return detailed_desc


def main():
    txt_file_path = "./FormatOutput/sample.txt"

    if os.path.exists(txt_file_path):
        try:
            with open(txt_file_path, 'r') as txt_file:
                data = txt_file.read()
        except Exception as e:
            print("Error occurred while reading the text file:", e)
    else:
        print("File not found:", txt_file_path)

    structured_data = extract_data(data)
    json_data = json.dumps(structured_data, indent=4)
    print(json_data)

if __name__ == "__main__":
    main()