Question

我有下面提到的表格的数据：

<a> <b> <c> <This is a string>
<World Bank> <provides> <loans for> <"a Country's Welfare">
<Facebook> <is a> <social networking site> <"Happy Facebooking => Enjoy">

现在我想根据分隔符＆lt;＆gt;拆分上面给出的每一行。那就是我想分裂为：

['<a>', '<b>', '<c>', '<This is a string>']
['<World Bank>', '<provides>', '<loans for>', '<"a Country\'s Welfare">']
['<Facebook>', '<is a>', '<social networking site>', '<"Happy Facebooking => Enjoy">']

我尝试基于空格和“＆gt;”进行拆分，但它不起作用。在python中是否有其他方式可以用上面描述的方式分割。由于我的文件大小为1 TB，因此我无法手动执行此操作。

Answer 1

您希望在 >和<字符之间的空白上进行拆分。为此，您需要使用look-behind和look-ahead断言进行正则表达式拆分：

import re re.split('(?<=>)\s+(?=<)', line)

这会在任何前面有\s+并后跟>字符的空格（<）上拆分。

(?<=...)表达式是一个后视断言;它匹配输入文本中的位置，即断言内的模式位于该位置之前的任何位置。在上面，它匹配当前位置之前有>字符的任何地方。

(?=...)表达式就像后面的断言一样，但在当前位置之后查找匹配的字符。它被称为前瞻性断言。 (?=<)表示它将匹配<字符后跟的任何位置。

它们共同形成两个锚点，其间的\s+只匹配位于>和<之间的空格，但不是这两个字符本身。拆分通过删除匹配的文本来分解输入字符串，并且只匹配空格，并且文本的>和<字符将被拆分。

演示：

>>> re.split('(?<=>)\s+(?=<)', '<a> <b> <c> <This is a string>') ['<a>', '<b>', '<c>', '<This is a string>'] >>> re.split('(?<=>)\s+(?=<)', '''<World Bank> <provides> <loans for> <"a Country's Welfare">''') ['<World Bank>', '<provides>', '<loans for>', '<"a Country\'s Welfare">'] >>> re.split('(?<=>)\s+(?=<)', '<Facebook> <is a> <social networking site> <"Happy Facebooking => Enjoy">') ['<Facebook>', '<is a>', '<social networking site>', '<"Happy Facebooking => Enjoy">']

Answer 2

这是一种“构建自己的解析器”方法，它只是逐个字符地浏览文件，并且不使用任何花哨的正则表达式功能：

def tag_yielder(line):
    in_tag = False
    escape = False
    current_tag = ''
    for char in line:
        if in_tag:
            current_tag += char
            if char == '>' and not escape:
                yield current_tag
                current_tag = ''
                in_tag = False
            if char == '=':
                escape = True
            else:
                escape = False
        else:
            if char == '<':
                current_tag = '<'
                in_tag = True

for line in open('tag_text.txt'):
    print([tag for tag in tag_yielder(line.strip())])

输出：

['<a>', '<b>', '<c>', '<This is a string>']
['<World Bank>', '<provides>', '<loans for>', '<"a Country\'s Welfare">']
['<Facebook>', '<is a>', '<social networking site>', '<"Happy Facebooking => Enjoy">']

在python中分裂线

2 个答案: