目标、步骤

如果你想以特定格式的行(用正则表达式表示)为界,把一批文本文件分割成小片段,比如每章节或每卷一个文件,可以使用下面的Python脚本。你需要做:

  • 保存脚本,后缀为.py
  • 根据你的实际情况更改脚本中的设置部分,尤其是:
  • 用正则表达式表示文件分界标志行(作为下一个文件片段的首行)
  • 在命令行中运行脚本(或看看右键菜单[打开方式]中有没有[Python])

代码

"""
reSplitFile.py
文件分割:
寻找指定路径下所有文本文件中的匹配行
把一个匹配行以下至下一匹配行之前的部分存为单独文件
新文件存在原文件相同的节点上,文件名
"""
import os, re

# 要处理的路径
DIR = "./workDir"
# 要处理的文本文件后缀列表
EXT = ['.txt', ".md"]
# 切分标记行(下一文件的首行)正则表达式,请按需设置
r = re.compile(r'^.{1,30}(卷第?[一二三四五六七八九十百千万零〇]+).{0,20}$')
# 是否在正则匹配前删除行中空白字符
DELET_SPACE_BEFORE_MATCH = True

fileNum = 1
for root, __, files in os.walk(DIR):
    # 文件过滤(限定扩展名)
    lesson_cut_file_list = [x for x in files if os.path.splitext(x)[1] in EXT]
    for file in lesson_cut_file_list:
        n = 0
        outLines = []
        chapter = ""
        (fn, ex) = os.path.splitext(file)
        fn += "_" + str(n) + "_" + chapter + ex
        fileName = os.path.join(root, fn)
        # 注意文件编码为utf-8(无签名)
        with open(os.path.join(root, file), "r", encoding="utf-8") as f:
            for line in f.readlines():
                line = line.strip("\n")
                # 先删除(忽略)行中空白字符
                if DELET_SPACE_BEFORE_MATCH:
                    clean_line = re.sub(r"\s", "", line)
                    match_line = r.match(clean_line)
                else:
                    match_line = r.match(line)
                if match_line:
                    if outLines:
                        with open(fileName, "w", encoding="utf-8") as outFile:
                            outFile.write("\n".join(outLines))
                    outLines = [line]
                    chapter = match_line.group(1)
                    n += 1
                    (fn, ex) = os.path.splitext(file)
                    fn += "_" + str(n) + "_" + chapter + ex
                    fileName = os.path.join(root, fn)
                else:
                    outLines.append(line)
        if outLines:
            with open(fileName, "w", encoding="utf-8") as outFile:
                outFile.write("\n".join(outLines))
        print(fileNum, "files done.")
        fileNum += 1

效果

小工具:从多文件中收集字符串


Audition技巧:半自动分切音频

2018-12-14 周五 by 黄复雄.

在做电子书时,我需要把几百个生字朗读音频逐字分切开,把课文朗读音频逐句分切成开;或者获取每个分切位置的时间标签。总之是根据停顿静音进行分切的。此类要求可以通过Audition的“诊断”功能实现。

read...

Audition技巧:使两段不同环境的录音协调一致

2018-12-14 周五 by 黄复雄.

在修补音频时,有时修补材料的录音环境有所改变,或者语音演播人改变了。如果变化不大,可以通过Audition分析、比较频率,然后根据差异调整均衡,使修补材料的音色更接近要修补的音频。调整后截取片段用于修补,能更为协调。

read...

小工具:从多文件中收集字符串

2018-12-12 周三 by 黄复雄.

如果你想从很多文本文件中把一定格式的字符串收集在一起,可以使用下面的Python脚本。

read...

计算机软件著作权登记实例

2018-12-05 周三 by 黄复雄.

本人琢磨教育学习技术问题,学习数字技术和尝试开发的日志。在这里写出来,有一点隐秘舞台的气氛,是默坐出神和盲动入迷之间的左顾右盼。

read...

奇技淫巧志

2018-11-07 周三 by 黄复雄.

本人琢磨教育学习技术问题,学习数字技术和尝试开发的日志。在这里写出来,有一点隐秘舞台的气氛,是默坐出神和盲动入迷之间的左顾右盼。

read...

静态网站生成器Pelican学习笔记

2018-10-14 周日 by 黄复雄.

不写是不行的。写微信、微博像在村头赤身裸体,彼此都尴尬。写博客是无中心的世界里守株待兔,带点暧昧情绪。尝试了几种静态文件生成器,基于Python语言的Pelican最简单、亲切。这是学习pelican 文档时随手所记的,备查。

read...

《拼字》游戏软件说明文档

2018-09-17 周一 by 黄复雄.

这是针对汉字爱好者的,有汉字知识普及作用的益智休闲游戏,把通用规范汉字的字形结构、字理、字源、古字形、字音等知识融入游戏中,以寓学于乐。

read...
Fork me on GitHub