Question

我有一个包含以下条目的文本文件：

@markwarner VIRGINIA - Mark Warner 
@senatorleahy VERMONT - Patrick Leahy NO 
@senatorsanders VERMONT - Bernie Sanders 
@orrinhatch UTAH - Orrin Hatch NO 
@jimdemint SOUTH CAROLINA - Jim DeMint NO 
@senmikelee UTAH -- Mike Lee 
@kaybaileyhutch TEXAS - Kay Hutchison 
@johncornyn TEXAS - John Cornyn 
@senalexander TENNESSEE - Lamar Alexander

我写了以下内容，使用正则表达式删除'NO'和破折号：

import re

politicians = open('testfile.txt')
text = politicians.read()

# Grab the 'no' votes
# Should be 11 entries
regex = re.compile(r'(no\s@[\w+\d+\.]*\s\w+\s?\w+?\s?\W+\s\w+\s?\w+)', re.I)
no = regex.findall(text)

## Make the list a string
newlist = ' '.join(no)

## Replace the dashes in the string with a space
deldash = re.compile('\s-*\s')
a = deldash.sub(' ', newlist)

# Delete 'NO' in the string
delno = re.compile('NO\s')
b = delno.sub('', a)

# make the string into a list
# problem with @jimdemint SOUTH CAROLINA Jim DeMint
regex2 = re.compile(r'(@[\w\d\.]*\s[\w\d\.]*\s?[\w\d\.]\s?[\w\d\.]*?\s+?\w+)', re.I)
lst1 = regex2.findall(b)

for i in lst1:
    print i

当我运行代码时，它会捕获除了Jim DeMint姓氏之外的Twitter句柄，状态和全名。我已经声明我想忽略正则表达式的情况。

有什么想法吗？为什么表达式没有捕获这个姓氏？

Answer 1

它缺少它，因为他的州名包含两个词：SOUTH CAROLINA

让你的第二个正则表达式是这个，它应该有帮助

 (@[\w\d\.]*\s[\w\d\.]*\s?[\w\d\.]\s?[\w\d\.]*?\s+?\w+(?:\s\w+)?)

我添加了

(?:\s\w+)?

哪个是可选的非捕获组，匹配空格后跟一个或多个字母数字下划线字符

http://regexr.com?31fv5表明它正确地匹配输入与NO和短划线

修改如果您希望一个主正则表达式正确捕获并拆分所有内容，请在删除Nos和破折号后使用

((@[\w]+?\s)((?:(?:[\w]+?)\s){1,2})((?:[\w]+?\s){2}))

您可以在这里玩：http://regexr.com?31fvk

完整比赛的价格为1美元，Twitter的价格为2美元，状态为3美元，名称为4美元

每个捕获组的工作原理如下：

(@[\w]+?\s)

这匹配@符号，后跟至少一个但是尽可能少的字符，直到空格。

((?:(?:[\w]+?)\s){1,2})

这匹配并捕获1或2个单词，这应该是状态。这只适用于下一部分，必须有两个单词

((?:[\w]+?\s){2})

匹配并捕获两个单词，其中定义为尽可能少的字符，后跟空格

Answer 2

text=re.sub(' (NO|-+)(?= |$)','',text)

捕捉一切：

re.findall('(@\w+) ([A-Z ]+[A-Z]) (.+?(?= @|$))',text)

或者一下子：

re.findall('(@\w+) ([A-Z ]+[A-Z])(?: NO| -+)? (.+?(?= @|$))',text)

为什么这个正则表达式在所有情况下都不起作用？

2 个答案: