codierten Text von Strings Entfernen von TXT-Datei lesen

Question

Hier ist das Problem:

BFLY - The CBOE S&P 500 Iron Butterfly Index BPVIX - CBOE/CME FX British Pound Volatility Index BPVIX1 - CBOE/CME FX British Pound Volatility First Term Structure Index BPVIX2 - CBOE/CME FX British Pound Volatility Second Term Structure Index

:

ich in eine txt-Datei von https://www.cboe.org/mdx/mdi/mdiproducts.aspx

Beispiel von Textzeilen diese gesamte Liste kopiert und eingefügt

Diese Linien natürlich normal erscheinen in meiner Textdatei, und ich sparte die Datei mit uTF-8-Codierung.

Mein Ziel ist es Python zu verwenden, nur die Symbole aus dieser langen Liste an Streifen aus, .e.g. BFLY, VPVIX etc, und schreibt sie in eine neue Datei

ich den folgenden Code verwende die Datei zu lesen und teilen Sie es:

x=open('sometextfile.txt','r') 
y=x.read().split() 

Das Problem ist, ich sehe, dass es knallen unbekannte Zeichen und sie beeinflussen meine Fähigkeit, die Liste zu filtern. Beispiel:

print(y[0]) 
BFLY 

Ich vermute, dass diese Charaktere etwas mit der Codierung zu tun, und ich habe ein paar verschiedenen Dinge mit dem Codec-Modul ohne Erfolg versucht. Die Verwendung von .decode ('utf-8') löst einen Fehler aus, wenn versucht wird, es mit den obigen Variablen x oder y zu verwenden. Ich kann .encode ('utf-8') benutzen, was die Dinge offensichtlich noch schlimmer macht.

Das Hauptproblem besteht darin, dass bei dem Versuch, die Liste zu durch Schleife und alle Elemente entfernen, die nicht alle Großbuchstaben sind oder enthalten nicht-alphabetische Zeichen. Beispiel:

y[0].isalpha() 
False 
y[0].isupper() 
False 

In diesem Beispiel wird das Symbol BFLY aus der Liste entfernt.

Das lustige daran ist, dass diese Zeichen in einer txt-Datei nicht vorhanden sind, wenn ich so etwas tun:

q=open('someotherfile.txt','w') 
q.write(y[0]) 

Jede Hilfe wäre sehr dankbar. Ich würde wirklich gerne verstehen, warum dies häufig passiert, wenn Sie Text von Webseiten wie diesem kopieren und einfügen.

Answer 1

Warum nicht Regex verwenden?

Ich denke, die

"[A-Z]{1,}/?[A-Z]{1,}[0-9]?" 

Dies ist besser, die Buchstaben in den Kappen zu fangen. Ich habe eine Liste aller solcher Symbole. Hier ist mein Ergebnis.

['BFLY', 'CBOE', 'BPVIX', 'CBOE/CME', 'FX', 'BPVIX1', 'CBOE/CME', 'FX', 'BPVIX2', 'CBOE/CME', 'FX'] 

Hier ist der Code

import re 
reg_obj = re.compile(r'[A-Z]{1,}/?[A-Z]{1,}[0-9]?') 
sym = reg_obj.findall(a)enter code here 
print(sym)