使用Python解析非常大的文本文件？

因此，该文件包含大约57,000个书名，作者姓名和一个ETEXT编号。我正在尝试解析该文件，以仅获取ETEXT编号。

文件是这样的：

TITLE and AUTHOR                                                     ETEXT NO.

Aspects of plant life; with special reference to the British flora,      56900
 by Robert Lloyd Praeger

The Vicar of Morwenstow, by Sabine Baring-Gould                          56899
 [Subtitle: Being a Life of Robert Stephen Hawker, M.A.]

Raamatun tutkisteluja IV, mennessä Charles T. Russell                    56898
 [Subtitle: Harmagedonin taistelu]
 [Language: Finnish]

Raamatun tutkisteluja III, mennessä Charles T. Russell                   56897
 [Subtitle: Tulkoon valtakuntasi]
 [Language: Finnish]

Tom Thatcher's Fortune, by Horatio Alger, Jr.                            56896

A Yankee Flier in the Far East, by Al Avery                              56895
 and George Rutherford Montgomery
 [Illustrator: Paul Laune]

Nancy Brandon's Mystery, by Lillian Garis                                56894

Nervous Ills, by Boris Sidis                                             56893
 [Subtitle: Their Cause and Cure]

Pensées sans langage, par Francis Picabia                                56892
 [Language: French]

Helon's Pilgrimage to Jerusalem, Volume 2 of 2, by Frederick Strauss     56891
 [Subtitle: A picture of Judaism, in the century
  which preceded the advent of our Savior]

Fra Tommaso Campanella, Vol. 1, di Luigi Amabile                         56890
 [Subtitle: la sua congiura, i suoi processi e la sua pazzia]
 [Language: Italian]

The Blue Star, by Fletcher Pratt                                         56889

Importanza e risultati degli incrociamenti in avicoltura,                56888
 di Teodoro Pascal
 [Language: Italian]

这就是我尝试过的：

def search_by_etext():

    fhand = open('GUTINDEX.ALL')
    print("Search by ETEXT:")

    for line in fhand:
        if not line.startswith(" [") and not line.startswith("~"):
            if not line.startswith(" ") and not line.startswith("TITLE"):
                    words = line.rstrip()
                    words = line.lstrip()
                    words = words[-7:]
                    print (words)


search_by_etext()

好的代码大部分都可以工作。但是，对于某些行，它给了我部分标题或其他内容。像：这种output（），包含“ decott”，它是作者名称的一部分，不应在此处。2

为此：奥利弗·赫尔福德（Oliver Herford）56765的《害羞的地震》 [副标题：其他寓言和诗歌]

兰花之家和其他诗歌，乔治斯特林56764

义大利北部民族，爱丽丝·范西塔特·斯特雷特尔·卡尔56763和伦道夫·卡尔德科特

新西兰的野生动物。第1部分，哺乳动物，乔治·汤姆森（George M. Thomson）56762 [副标题：新西兰科学和艺术委员会，手册第2号]

《环球兄弟会》，第1卷，第13卷，第10期，1899年1月，作者：56761

三个城市：卢尔德，埃米尔·佐拉（ÉmileZola）56760 [语言：荷兰语]

另一个例子：

4

对于Rhandensche Boys，由Jan Lens 56702撰写[插图：Tjeerd Bottema] [语言：荷兰语]

女人党的故事，因内斯·海恩斯·欧文（Inez Haynes Irwin）56701

摩门教义朴实，查尔斯·W·彭罗斯（Charles W. Penrose）56700 [副标题：或者生命之树上的叶子]

玛丽·格兰特·布鲁斯56699 [布尔卡穆克的石斧] [插图作者：J. Macfarlane]

后先知，乔治·Q·加农56698 [副标题：约瑟·史密斯为年轻人撰写的历史]

在这里：生活]不应该在那里。以空格开头的行已被解析为：

if not line.startswith(" [") and not line.startswith("~"):

但是仍然我在输出结果中得到了这些偏离值。