Question

我使用Ruby从csv文件中提取某些数据，我希望通过删除不需要的字符来清理提取的字符串。

这是我到目前为止提取数据的方法：

CSV.foreach(data_file, :encoding => 'windows-1251:utf-8', :headers => true) do |row|

    #create an array for each page
    page_data = []
    #For each page, get the data we are interested in and save it to the page_data
    page_data.push(row['dID'])
    page_data.push(row['xTerm'])

    pages_to_import.push(page_data)

然后我输出带有提取数据的csv文件

提取的输出与csv数据文件完全相同：

| ID    |  Term                                   |
|-------|-----------------------------------------|
| 13241 |  @@106#107#my@@106#term@@           |
| 13345 |  @@63#hello@@                           |
| 11436 |  @@55#rock@@20#my@@10015#18#world@@ |

然而，我想达到的理想结果是：

| ID    |  Term                                   |
|-------|-----------------------------------------|
| 13241 |  my, term                               |
| 13345 |  hello                                  |
| 11436 |  rock, my, world                        |

有关如何实现这一目标的任何建议吗？

我正在使用的图书馆：

require 'nokogiri'
require 'cgi'
require 'csv'

Answer 1

使用正则表达式，我会这样做：

%w[
  @@106#107#term1@@106#term2@@
  @@63#term1@@
  @@55#term1@@20#term2@@10015#18#term3@@
  @@106#107#my@@106#term@@
  @@63#hello@@
  @@55#rock@@20#my@@10015#18#world@@
].map{ |str|
  str.scan(/[^@#]+?)(?=@/)
}
# => [["term1", "term2"], ["term1"], ["term1", "term2", "term3"], ["my", "term"], ["hello"], ["rock", "my", "world"]]

我的str相当于row['xTerm']的内容。

正则表达式/[^@#]+?(?=@)/搜索str中不包含#或@并以@结尾的模式。

来自字符串中的垃圾，以及您正在使用Nokogiri和CSV的评论，以及因为您没有将输入数据显示为CSV或HTML，我不得不怀疑您是否未对输入的数据进行修改不知何故，并试图在后处理中摆脱它。如果是这样，请告诉我们您实际在做什么，也许我们可以帮助您获得干净的数据。

Answer 2

我假设您的字词已被预订并由@@分隔，并且由一个或多个数字组成，后跟由#分隔的实际字词。要将术语放入数组中：

row['xTerm'].split('@@')[1..-1].map { |term| term.split(?#)[-1] }

然后你可以join或随心所欲地做任何事情。

清理从csv文件中提取的字符串

2 个答案: