提取.txt文件中两个关键字之间的所有单词

Question

我想提取.txt文件中特定关键字内的所有单词。对于关键字，有一个起始关键字PROC SQL;（我需要区分大小写），结束关键字可以是RUN;，quit;或QUIT;。这是我的示例.txt file。

到目前为止，这是我的代码：

with open('lan sample text file1.txt') as file:
    text = file.read()
    regex = re.compile(r'(PROC SQL;|proc sql;(.*?)RUN;|quit;|QUIT;)')
    k = regex.findall(text)
    print(k)

输出：

[('quit;', ''), ('quit;', ''), ('PROC SQL;', '')]

但是，我的预期输出是使单词介于两者之间，并包含关键字：

proc sql; ("TRUuuuth");
hhhjhfjs as fdsjfsj:
select * from djfkjd to jfkjs
(
SELECT abc AS abc1, abc_2_ AS efg, abc_fg, fkdkfj_vv, jjsflkl_ff, fjkdsf_jfkj
    FROM &xxx..xxx_xxx_xxE
where ((xxx(xx_ix as format 'xxxx-xx') gff &jfjfsj_jfjfj.) and 
      (xxx(xx_ix as format 'xxxx-xx') lec &jgjsd_vnv.))
 );

1)

jjjjjj;

  select xx("xE'", PUT(xx.xxxx.),"'") jdfjhf:jhfjj from xxxx_x_xx_L ;
quit; 

PROC SQL; ("CUuuiiiiuth");
hhhjhfjs as fdsjfsj:
select * from djfkjd to jfkjs
(SELECT abc AS abc1, abc_2_ AS efg, abc_fg, fkdkfj_vv, jjsflkl_ff, fjkdsf_jfkj
    FROM &xxx..xxx_xxx_xxE
where ((xxx(xx_ix as format 'xxxx-xx') gff &jfjfsj_jfjfj.) and 
      (xxx(xx_ix as format 'xxxx-xx') lec &jgjsd_vnv.))(( ))
 );

2)(

RUN;

任何建议或其他解决方法将不胜感激！

实施用户@Finefoot的代码后的输出：

但是，有没有一种方法可以将这些行分隔成类似下面的样子？：

Answer 1

如果不想使用正则表达式的解决方案：

=
MID(
    Fields!sql.Value,
    INSTR(Fields!sql.Value, "WHERE ", Compare:= Comparemethod.Text) + 6
    )

对您有帮助吗？

Answer 2

我认为您的模式(PROC SQL;|proc sql;(.*?)RUN;|quit;|QUIT;)是一个错字，因为您在)之后和proc sql;之前以及右括号{之前都缺少右括号(.*?) {1}}之后。但是，还不止这些，修正错字仍然无法达到预期的效果。

看看re的Python文档：

  

(（点）。在默认模式下，它匹配换行符以外的任何字符。如果指定了.标志，则它与包括换行符的任何字符匹配。

由于您的输入中确实包含您希望DOTALL匹配的换行符，因此您需要使用.标志。当我们讨论标志时：如果您确实不关心关键字的区分大小写，则可能还想使用re.DOTALL标志。

此外，我想您不想在结果中使用类似re.IGNORECASE之类的关键字，因此您可以使用PROC SQL;，这是常规括号的非捕获版本。

最终的正则表达式模式：

(?:...)

---

更新：

在上面Jupyter单元中的更新代码中，re.findall(r"(?:PROC SQL;)(.*?)(?:RUN;|QUIT;)", text, flags=re.IGNORECASE|re.DOTALL) 的结果保存为变量re.findall。这是与模式匹配的字符串列表。如果调用regex，则将打印列表（将使用print(regex)显示其元素，字符串）。如果您不想使用\n，则可以打印元素（字符串本身）：\n不过，两个元素之间的默认分隔符将是一个简单的空格字符，因此您可能需要设置print(*regex)到多个换行符sep或print(*regex, sep="\n"*5)的分隔行，如-----之类的东西。但这是您必须决定哪种方式最适合您呈现结果的事情。

此外，如果该模式看起来还不太混乱，则可能要使用“内联修饰符”而不是print(*regex, sep="\n"+"-"*44+"\n")参数。 flags用于不区分大小写的匹配，(?i:...)代替(?s:...)标志：

DOTALL

Answer 3

这对我有用：

re.findall(r"(?i:PROC SQL;)((?s:.*?))(?i:RUN;|QUIT;)", text)

这是您可以接受的解决方案吗？

Answer 4

您可以通过匹配关键字并匹配所有以colNumbers = [] def letterTonumber(col): A = ord('A') tempSum = sum(ord(l) - A + 1 for l in col if 'A' <= l <='Z') return(tempSum) def colParse(colNumbers, cols): for c in cols: if len(c) == 2: x=26*letterTonumber(c[0]) y=letterTonumber(c[1]) n=(x+y)-1 else: n = letterTonumber(c)-1 colNumbers.append(n) cols = ['A','Z','AA','BB'] colParse(colNumbers, cols) print(colNumbers) >>> 0,25,26,53 或quit开头的行来更有效地进行匹配，以防止由RUN引起的不必要的回溯

如果要在匹配项中包含关键字，则可以省略捕获组。

您可以使用.*?标志获得不区分大小写的匹配，并使用re.IGNORECASE，因为该模式包含一个断言字符串开头的锚点。

re.MULTILINE

• ^PROC SQL;.*\n(?:(?!RUN;|QUIT;).*\n)*(?:RUN|QUIT); 行首
• ^字面上匹配
• PROC SQL;匹配0+次除换行符以外的任何字符，然后匹配换行符（或使用.*\n
• \r?\n非捕获组
  • (?:断言直接在右边的不是(?!RUN;|QUIT;)或RUN;
  • QUIT;匹配0+次除换行符以外的所有字符，然后匹配换行符
• .*\n关闭组并重复0次以上
• )*匹配(?:RUN|QUIT);或RUN;

Regex demo | Python demo

例如

QUIT;