本文介绍一种健壮、可扩展的方法，利用正则表达式从含多段嵌套参数头（如 #parameters = {g1=1; g2=0.8; ...}）和后续数值表格的文本文件中，批量提取指定几何参数（g1–g5、l1）及对应频点（frequency）与响应值（rcs），并组织为结构清晰的 dataframe。
本文介绍一种健壮、可扩展的方法，利用正则表达式从含多段嵌套参数头（如 #parameters = {g1=1; g2=0.8; ...}）和后续数值表格的文本文件中，批量提取指定几何参数（g1–g5、l1）及对应频点（frequency）与响应值（rcs），并组织为结构清晰的 dataframe。
在处理由电磁仿真软件（如 CST、HFSS 或自研工具）导出的批量参数扫描结果时，常见一种“块状结构”文本格式：每个数据块以 #Parameters = {...} 开头，内含若干键值对；随后是标题行（如 "Frequency / GHz" "RCS (...)"）和分隔线；紧接其后是多行浮点数值对（频率 + 幅度）。目标是将每组参数与其所属块下的全部数值行一一关联，最终生成宽表（wide-format）或长表（long-format）DataFrame，便于后续建模或可视化。
原始代码出错的根本原因在于字符串切分逻辑过于脆弱：params[0].split('=')[1] 试图从 #Parameters = {g5=0.6; ... 中直接切分，但 params[0] 实际为 '#Parameters = {g5'（因用 ';' 分割导致首段包含未闭合花括号），故无法解析为浮点数。硬编码索引（如 params[7]）也极易因参数顺序变动而失效。
✅ 推荐方案：正则表达式双层匹配法——先定位参数块，再精确抽取键值对，最后绑定数值行。该方法不依赖固定列序、空格数量或分隔符位置，鲁棒性强，且易于维护。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
✅ 核心实现步骤
- 逐行读取，识别参数块起始：匹配 #Parameters = {…} 行，提取花括号内完整内容；
- 解析参数字典：对括号内字符串使用正则匹配 key=value 模式，构建当前块的参数映射；
- 收集后续数值行：在参数块之后、下一个 #Parameters 或文件结束前，持续读取符合 ^d+.*d*s+-?d+.*d* 格式的数值行；
- 按块聚合：将每个参数字典与对应的所有 (freq, rcs) 对组合，生成扁平化记录列表。
以下是完整、可直接运行的生产级代码：
立即学习“Python免费学习笔记（深入）”；
import re
import pandas as pd
from typing import List, Dict, Tuple, Optional
def extract_parameters_and_data(file_path: str) -> pd.DataFrame:
"""
从结构化文本文件中提取几何参数与对应频响数据。
支持多参数块，自动关联各块下的所有频率-响应对。
返回长格式DataFrame（每行 = 1组参数 + 1个频点+RCS），便于pivot或建模。
"""
# 预编译正则，提升性能
param_block_pattern = re.compile(r'#Parameterss*=s*{([^}]*)}')
kv_pattern = re.compile(r'(g[1-5]|l1)s*=s*([d.]+)') # 精确匹配目标键：g1~g5, l1
data_line_pattern = re.compile(r'^s*([d.]+)s+(-?[d.]+)s*$')
records: List[Dict[str, float]] = []
current_params: Optional[Dict[str, float]] = None
with open(file_path, 'r', encoding='utf-8') as f:
for line in f:
line = line.strip()
if not line:
continue
# 步骤1：匹配参数块头，解析g1-g5, l1
param_match = param_block_pattern.match(line)
if param_match:
# 提取花括号内字符串，并解析关键参数
inner = param_match.group(1)
params_dict = {}
for key, value in kv_pattern.findall(inner):
try:
params_dict[key] = float(value)
except ValueError:
continue # 跳过非法值，保持健壮性
current_params = params_dict
continue
# 步骤2：跳过标题行和分隔线（如"#"开头或包含"Frequency"）
if line.startswith('"') or line.startswith('#') or 'Frequency' in line or '---' in line:
continue
# 步骤3：匹配数值行（频率 + RCS）
data_match = data_line_pattern.match(line)
if data_match and current_params is not None:
freq = float(data_match.group(1))
rcs = float(data_match.group(2))
# 合并参数与当前数值，生成一条记录
record = current_params.copy()
record.update({'Frequency / GHz': freq, 'RCS': rcs})
records.append(record)
# 构建DataFrame（长格式）
if not records:
raise ValueError("未检测到有效参数块或数值数据，请检查文件格式")
df = pd.DataFrame(records)
# 可选：按参数分组后转为宽格式（如需g1,g2,...,f1,f2,...,rcs1,rcs2...）
# df_wide = df.pivot_table(
# index=['g1','g2','g3','g4','g5','l1'],
# columns=df.groupby(['g1','g2','g3','g4','g5','l1']).cumcount(),
# values=['Frequency / GHz', 'RCS'],
# aggfunc='first'
# ).sort_index(axis=1)
return df
# 使用示例
if __name__ == "__main__":
# 替换为你的实际文件路径
file_path = "simulation_data.txt"
try:
result_df = extract_parameters_and_data(file_path)
print("✅ 提取完成！共", len(result_df), "条记录")
print("
前5行示例：")
print(result_df.head())
# 保存为CSV（便于Excel查看）
result_df.to_csv("extracted_rcs_geometry.csv", index=False)
print("
已保存至 extracted_rcs_geometry.csv")
except Exception as e:
print("❌ 处理失败：", str(e))⚠️ 关键注意事项
- 编码兼容性：务必指定 encoding='utf-8'（或根据文件实际编码调整），避免中文路径/乱码问题；
- 参数键名严格匹配：kv_pattern 中 (g[1-5]|l1) 确保只提取 g1 至 g5 和 l1，忽略 w, ct 等无关项，防止污染字段；
- 数值行容错：正则 ^\s*([\d.]+)\s+(-?[\d.]+)\s*$ 自动处理前后空格、制表符及负号，比 split() 更可靠；
- 内存友好：逐行读取，不将整个大文件载入内存，适合GB级日志；
-
扩展建议：
- 如需宽格式输出（每个参数组一行，频率/RCS作为多列），可基于 result_df 使用 pivot 或 groupby.apply(list) 后展开；
- 若参数块间存在空行或注释，当前逻辑已通过 continue 跳过，无需额外处理；
- 增加日志或进度条（如 tqdm）可提升大文件处理体验。
此方案彻底规避了硬编码索引与脆弱字符串分割，以声明式正则为核心，兼顾准确性、可读性与工程健壮性，是处理此类科学计算文本的标准实践。
