本文详解如何将结构化文本文件（如含154首十四行诗的sonnets.txt）系统性地解析为Python三维列表：sonnets[sonnet_idx][line_idx][word_idx]，支持精准定位任意诗句中的任意单词，并自动清除标点、处理多空行分隔、忽略编号标题。
本文详解如何将结构化文本文件（如含154首十四行诗的`sonnets.txt`）系统性地解析为Python三维列表：`sonnets[sonnet_idx][line_idx][word_idx]`，支持精准定位任意诗句中的任意单词，并自动清除标点、处理多空行分隔、忽略编号标题。
要实现类似 sonnets[1][4][2]（即第2首诗、第5行、第3个词）的直观索引访问，关键在于分层切分：先按“诗”划分，再在每首诗内按“行”切分，最后对每行按“词”切分。由于原始文件中诗与诗之间以空行+罗马数字标题（如 I.、II.）分隔，而诗内行为标准换行，不能简单用 split('\n') 一维处理——必须识别并跳过标题行，同时利用空行作为诗间边界。
以下为完整、鲁棒的实现方案：
✅ 步骤一：按诗分割（核心难点）
使用正则表达式 re.split() 精准捕获诗间分隔符。观察样本可知，每首诗前有形如 I.\n\n 或 II.\n\n 的模式（标题行 + 双换行）。我们匹配：
-
(?:\n\n|^)：行首或双换行； -
.*\.\n\n：任意字符结尾于英文句点，后跟双换行。
import re
import string
with open("sonnets.txt", "r", encoding="utf-8") as f:
data = f.read()
# 拆分诗集（保留空行分隔逻辑）
sonnets = re.split(r'(?:\n\n|^).*\.\n\n', data)
sonnets = [s.strip() for s in sonnets if s.strip()] # 清除空项和首尾空白
⚠️ 注意：
re.split会在匹配处切割，导致首项为空字符串（因文件以I.\n\n开头），故需过滤空项。
✅ 步骤二：逐诗清理与分行
对每首诗：
- 移除所有标点（使用
str.translate()高效替代循环）； - 按行分割（
splitlines()自动处理\n/\r\n）； - 过滤空行（避免因多余空行产生空列表）。
# 构建标点映射表（Unicode码点 → None）
xlat = str.maketrans('', '', string.punctuation)
for i, sonnet in enumerate(sonnets):
# 去标点 + 分行 + 去空行
cleaned_lines = sonnet.translate(xlat).splitlines()
cleaned_lines = [line.strip() for line in cleaned_lines if line.strip()]
# 每行再拆分为单词列表
sonnets[i] = [line.split() for line in cleaned_lines]
✅ 最终结构验证
此时 sonnets 是一个三维列表：
-
len(sonnets)→ 诗的数量（应为154）； -
len(sonnets[0])→ 第1首诗的行数（应为14）； -
len(sonnets[0][0])→ 第1首第1行的单词数（如'FROM fairest creatures...'→['FROM', 'fairest', 'creatures']）。
可直接索引：
print(sonnets[1][2][3]) # 输出: 'livery'（第2首诗，第3行，第4个词）
? 补充技巧与健壮性增强
-
编码兼容性：务必指定
encoding='utf-8'，避免Windows系统下乱码； -
大小写处理：如需不区分大小写搜索，可在拆词后统一
.lower()； -
特殊符号残留：
string.punctuation不包含中文标点或破折号（—）、省略号（…），若需更全面清洗，可扩展为：import re def clean_text(text): return re.sub(r'[^\w\s]', '', text) # 仅保留字母、数字、下划线、空白 - 内存优化：对超大文件，可用生成器逐诗处理，避免一次性加载全部文本。
✅ 总结
该方法将非结构化文学文本转化为可编程索引的三维数据结构，兼顾准确性与可读性。其核心思想是：用正则识别语义边界（诗），用字符串方法净化内容（去标点），用嵌套列表推导构建层级（行→词）。掌握此模式，可快速适配其他类似任务——如解析实验日志、古籍章回、法律条文等具有“块-行-字段”三级结构的文本。
