文本解析的难题

[80817]

请问谁能帮我把下面的文本解析出来，


北京西直门北大街证券营业部 客户对帐单
客户号:111111 姓名:xxxxx 货币:人民币 日期:20010816-->20090915 牛卡级别::银卡
===================================================================================================================
发生日期 股东代码 摘 要 成交数 成交均价 手续费 印花税等 变动金额 资金余额
20070912 证券买入中兴通讯 500.00 52.220 52.22 78.33 -26240.55 73759.45
20070912 0102976836 证券买入中兴通讯 500.00 51.600 51.60 77.40 -25929.00 47830.45
20070913 A463164590 证券买入赣粤高速 2000.00 17.670 70.68 108.02 -35518.70 12311.75
20070913 证券买入赣粤高速 600.00 17.540 21.05 32.57 -10577.62 1734.13
20070914 A463164590 证券卖出赣粤高速 2600.00 17.930 93.24 142.45 46382.31 48116.44
20070914 0102976836 证券卖出中兴通讯 1000.00 52.871 105.74 158.61 52606.65 100723.09

===================================================================================================================
page 1


北京西直门北大街证券营业部 客户对帐单
客户号:111111 姓名:xxxxx 货币:人民币 日期:20010816-->20090915 牛卡级别::银卡
===================================================================================================================
发生日期 股东代码 摘 要 成交数 成交均价 手续费 印花税等 变动金额 资金余额
20070912 证券买入中兴通讯 500.00 52.220 52.22 78.33 -26240.55 73759.45
20070912 0102976836 证券买入中兴通讯 500.00 51.600 51.60 77.40 -25929.00 47830.45
20070913 证券买入赣粤高速 2000.00 17.670 70.68 108.02 -35518.70 12311.75
20070913 A463164590 证券买入赣粤高速 600.00 17.540 21.05 32.57 -10577.62 1734.13
20070914 A463164590 证券卖出赣粤高速 2600.00 17.930 93.24 142.45 46382.31 48116.44
20070914 0102976836 证券卖出中兴通讯 1000.00 52.871 105.74 158.61 52606.65 100723.09

===================================================================================================================
page 2


北京西直门北大街证券营业部 客户对帐单
客户号:111111 姓名:xxxxx 货币:人民币 日期:20010816-->20090915 牛卡级别::银卡
===================================================================================================================
发生日期 股东代码 摘 要 成交数 成交均价 手续费 印花税等 变动金额 资金余额
20070912 0102976836 证券买入中兴通讯 500.00 52.220 52.22 78.33 -26240.55 73759.45
20070912 0102976836 证券买入中兴通讯 500.00 51.600 51.60 77.40 -25929.00 47830.45
20070913 A463164590 证券买入赣粤高速 2000.00 17.670 70.68 108.02 -35518.70 12311.75
20070913 A463164590 证券买入赣粤高速 600.00 17.540 21.05 32.57 -10577.62 1734.13
20070914 A463164590 证券卖出赣粤高速 2600.00 17.930 93.24 142.45 46382.31 48116.44
20070914 0102976836 证券卖出中兴通讯 1000.00 52.871 105.74 158.61 52606.65 100723.09

===================================================================================================================
page 3





解析目标：
1、解析出数据的抬头以及内容，去掉其它辅助信息，即，解析出如下内容：
发生日期 股东代码 摘 要 成交数 成交均价 手续费 印花税等 变动金额 资金余额
20070912 证券买入中兴通讯 500.00 52.220 52.22 78.33 -26240.55 73759.45
20070912 0102976836 证券买入中兴通讯 500.00 51.600 51.60 77.40 -25929.00 47830.45
20070913 证券买入赣粤高速 2000.00 17.670 70.68 108.02 -35518.70 12311.75
20070913 A463164590 证券买入赣粤高速 600.00 17.540 21.05 32.57 -10577.62 1734.13
20070914 A463164590 证券卖出赣粤高速 2600.00 17.930 93.24 142.45 46382.31 48116.44
20070914 0102976836 证券卖出中兴通讯 1000.00 52.871 105.74 158.61 52606.65 100723.09


2、数据内容是以空格分隔列的，但是某些列的数据内容中也存在空格，如果单纯用空格分隔数据列，会漏掉一部分数据，例如下面“股东代码部分是空格”
发生日期 股东代码 摘 要 成交数 成交均价 手续费 印花税等 变动金额 资金余额
20070912 证券买入中兴通讯 500.00 52.220 52.22 78.33 -26240.55 73759.45



希望各位高手指教，如何才能，将类似数据解析，并识别出，标题和内容！！！！！

[80817]

我有个思路，就是能否用词法分析，找到格式相似的行，将他们提取出来，不知道有哪位高手做过类似的研究，通过相似度来解析有规律的文本。

[80817]

自己顶～

[fengling2001]

[Quote=引用 3 楼 80817 的回复:]
我有个思路，就是能否用词法分析，找到格式相似的行，将他们提取出来，不知道有哪位高手做过类似的研究，通过相似度来解析有规律的文本。
[/Quote]
ReadLine
文本相似性判断可以使用PLSI（Probabilistic Latent Semantic Indexing）方法

[wuyq11]

string str=File.ReadAllText("");
string[] arr=File.ReadAllLine("");
再使用split分割数据

[wuyq11]

http://topic.csdn.net/u/20091014/20/af1c94a9-ad9b-4ef7-8a77-ad91ec4a7090.html

[woshifou]

换格式，文本不好解析。

[libolei]

除了复杂的判断外没什么好方法了吧

源文件有问题 不应该存成txt的

存成Excel , xml会好很多

[cuike519]

纯体力劳动...

[laoluo554]

还是有办法的,整行读,等宽分割.