对step文件进行信息抽取算法

任务描述：给定一个step文件，对该文件的字符串进行信息抽取，结构化的组织文件描述模型的数据。形成抽象化数据结构，存入计算机数据库。并能按照有条理结构把这些数据展示出来。

信息抽取的结果描述：

　　1 数据结构：

　　　　以key-value键值对形式将step文件描述的信息抽取并组织起来。

　　　　具体的，在java当中使用javabean技术，以类的嵌套的方式实现这种数据结构。

　　2 结果展示：

　　　　将javabean转换成json并格式化打印出来，查看转化结果是否正确。

　　3 存储：

　　　　将javabean的实例化对象映射为mysql中的数据库表。

信息抽取的方法描述： 团队商讨，编写一套算法来实现对step文件的抽取。

　　step文件信息抽取算法（伪代码流程）：

　　输入： step文件

　　输出： 键值对数据结构(字典、或hashtable、或hashmap、或javabean对象) 和 json格式打印输出

　　1   读取step文件，整个文件存为字符串s

　　2   删除s的开头的 "ISO-10303-21\n" 和最后的 "END-ISO-10303-21\n"

　　3   搜索s，将 “HEADER\n“ 和在此之后第一个“ENDSEC\n“ 中间的部分，存为字符串header

　　4   搜索s，将 "DATA\n" 和在此之后第一个"ENDSEC\n"中间的部分，存为字符串data

5   声明一个key-value类型变量step_root，用于存储整个模型信息

　　　　（下面开始处理header部分）

　　6   声明一个key-value类型变量header_root，用于存储header部分的结构化信息

　　7   将header字符串按照 行 \n进行切分 header.split("\n") ， 将所有行存为一个数组（ArrayList） header_list， 每个元素是一行

　　8   for line in header_list:    （对header中的每一行字符串line， 做如下操作）

　　9   　　对字符串line，搜索第一个左括号(, 将第一个左括号( 左侧的英文串作为key，

　　10  　  包含该左括号一直到最右侧分号之前的右括号）为止的字符串作为value

　　11　　 将key value 添加到header_root中

　　12   将"header"作为key， header_root作为value， 添加到step_root中

　　　　(下面是对data部分处理)

　　13  声明一个key-value类型变量data_root 用于存储data部分的结构化数据

　　14  将data按照一行\n进行切分 data.split("\n"), 并存入一个数组(ArrayList) data_list, 每个元素是一行

　　15  声明一个key-value类型变量 data_lines 用于映射实体 每一行的编号(实体表示) 和 对应属性

　　16  for line in data_list:   （对于data中的每一行做如下操作：）

　　17  　　对line按照 = 进行切分， 左侧 #数字 作为key， 右侧去掉; 作为value

　　18　　  将key value 添加到data_lines 当中

　　19   while data_lines 不为空：

　　20  　　从data_lines中取出最先添加进来的键值对num-line，并在data_lines中删除这个键值对

　　21　　  对line部分搜索第一个左括号(，第一个左括号左侧部分的英文串作为key

　　22     　 第一个左括号和最后一个右括号之间的字符串存为临时字符串tmp

　　23          声明一个可变类型数组list作为value， 稍后将值加入list

　　24　　   对tmp按照逗号,进行切分 tmp.split(",") 并把每一项存入list中

　　25　　   for cur in list:  (拿出list的每一项cur进行检查：)

　　26　　　　　如果cur是能匹配成 #数字 的规则:

　　27　　　　　　　调用子算法  构造子实体 算法, 将cur和data_lines传入，拿到返回值res，

　　28　　　　　　　将list中的cur位置替换为res

　　29　　   将key，value加入到data_root中

　　30   将"data"作为key， data_root作为value，添加到step_root中

　　31   将step_root转换json字符串step_json

　　32   返回step_root 并 打印输出step_json

子算法： 构造子实体 算法（伪代码流程）：

输入： 字符串cur， key-value类型 data_lines

输出： key-value类型 res

　　1   声明一个key-value类型变量res

　　2   在data_lines中用cur当作键来查找得到值tmp

　　3   从data_lines中删除这对键值对cur-tmp

　　4   对tmp搜索第一个出现左括号的位置，将第一个左括号左侧的英文串当做key

　　5   对tmp第一个左括号和最后一个右括号之间的字符串存为line

　　6   声明一个可变类型列表ArrayList变量list作为value，稍后加入元素

　　7   对line按照逗号,切分  line.split(",") 并把每一项加入list中

　　8   for s in list:  对list中的每一项做检查:

　　9   　　如果 s 能匹配 #数字 这种规则:

　　10  　　　　调用 构造子实体算法，传入s和data_lines， 拿到返回值res_tmp

　　11  　　　　将list中s对应的位置替换成res_tmp

　　12  将key，value添加到res当中

　　13  返回res

附上一段python实现的demo

 def get_info(start, lines):
     res = {}
     tmp = lines[start]
     lines.pop(start)
     cut_position = tmp.find("(")
     k, v = tmp[:cut_position], tmp[cut_position+1:-2].split(",")
     for i, vv in enumerate(v):
         v[i] = vv.strip()
         if v[i].startswith("#"):
             v[i] = get_info(v[i], lines)
     res[k] = v
     return res

 if __name__ == '__main__':
     s = """
 #1 = aa('',12,45,#2);
 #2 = bb('',55, #3,33);
 #3 = cc('', 234,jjj);
 """
     lines = {}  # 存放 #num 和右侧的映射关系
     s = s.strip().split("\n")
     for tmp in s:
         tmp = tmp.split("=")
         k = tmp[0].strip()
         v = tmp[1].strip()
         lines[k] = v
     res = get_info("#1", lines)
     print(res)

运行结果：

{'aa': ["''", '12', '45', {'bb': ["''", '55', {'cc': ["''", '234', 'jjj']}, '33']}]}