Python正则表达式将数字与空格匹配

时间:2013-03-24 17:03:50

标签: python regex

我是新手,我需要一些帮助。 我有代表表格的文字。我知道它将由7列组成:

| int | int mixed with -. | unicode string with everything | float | float | int | float |

问题是浮点数是用数千之间的空格表示的(1234,43 => 1 234,43)。 此外,字符串可以包含空格并以数字结尾。 我试过这样的事情(对于新行char的条纹):

regex = re.compile(r"(\d+) ([\d.-]+) (.*) ([\d+ ]?\d+,\d+) ([\d+ ]?\d+,\d+) (\d+) ([\d+ ]?\d+,\d+)$", re.UNICODE)
w = regex.findall(line)

不幸的是,它并不适用于所有情况。一些测试数据:

49 602 DSKOD SMCX 262,59 1 131,30 1 1 131,30
49 602 DSKOD SMCX 3 5 262,59 1 131,30 1 1 131,30
50 61-201 łóćźż 1 2 669,50 334,75 1 334,75
51 1-214 AÓŻĆÓDS" 70,35 350,18 3 105,53

成千上万的案件有问题,因为我得到了:

[]
[]
[(u'50', u'61-201', u'\u0142\xf3\u0107\u017a\u017c 1 2', u'669,50', u'334,75', u'1', u'334,75')]
[(u'51', u'1-214', u'A\xd3\u017b\u0106\xd3DS"', u'70,35', u'350,18', u'3', u'105,53')]

在第三个例子中,我希望字符串末尾的2位于下一列。 你知道在Python 2.7上有一些线索如何正确匹配吗?我以后会和这个unicode战斗。

2 个答案:

答案 0 :(得分:2)

问题是[\d+ ]?。这匹配零或一个数字,加上空格。 OTHER问题是在列分隔符和字段内使用空格而没有某种引用,但这适用于您的数据。我还更改了第二列,其中有一个额外的.和第三列只能抓取非空格字符:

#!python3
# coding: utf-8
import re

data = '''\
49 602 DSKOD SMCX 262,59 1 131,30 1 1 131,30
49 602 DSKOD SMCX 3 5 262,59 1 131,30 1 1 131,30
50 61-201 łóćźż 1 2 669,50 334,75 1 334,75
50 61-201 łóćźż 1 669,50 334,75 1 334,75
51 1-214 AÓŻĆÓDS" 70,35 350,18 3 105,53
'''.splitlines()

regex = re.compile(r"(\d+) ([\d-]+) (.*?) ((?:\d{1,3})?(?:\ \d{3})*,\d{2}) ((?:\d{1,3})?(?:\ \d{3})*,\d{2}) (\d+) ((?:\d{1,3})?(?:\ \d{3})*,\d{2})", re.UNICODE)
for line in data:
    print(regex.match(line).groups())

输出:

('49', '602', 'DSKOD SMCX', '262,59', '1 131,30', '1', '1 131,30')
('49', '602', 'DSKOD SMCX 3', '5 262,59', '1 131,30', '1', '1 131,30')
('50', '61-201', 'łóćźż 1', '2 669,50', '334,75', '1', '334,75')
('50', '61-201', 'łóćźż', '1 669,50', '334,75', '1', '334,75')
('51', '1-214', 'AÓŻĆÓDS"', '70,35', '350,18', '3', '105,53')

答案 1 :(得分:1)

我会在行中打破这个:

r = re.compile(r"(\d+) 
                 ([\d.-]+) 
                 ([^ ]*) 
                 ((\d+ ?)+,\d+) 
                 ((\d+ ?)+,\d+) 
                 (\d+) 
                 ((\d+ ?)+,\d+)$", re.UNICODE)

改变是在unicode部分,不是那么贪婪和避免空格,然后在浮动部分。它会有漂浮物没有逗号的问题。

在你的第一行:

In [21]: r.findall(l)
Out[21]: 
[('49',
  '602',
  'DSKODSMCX',
  '2 262,59',
  '262',
  '1 131,30',
  '131', #!
  '1',
  '1 131,30',
  '131')] #!

标有#的行!是我用来重复“\ d \ d \ d”模式的嵌套组产生的额外捕获。

另一个样本:

In [23]: l2 = '49 602-1 DKSAJ 231 442 123,2 1 123 123,4 1 1 533 123,2'

In [24]: r.findall(l2)
Out[24]: 
[('49',
  '602-1',
  'DKSAJ',
  '231 442 123,2',
  '123',
  '1 123 123,4',
  '123',
  '1',
  '1 533 123,2',
  '123')]