Question

我正试图从多个内容不同的漫画书中提取相关信息。但是，只有大约5或6种不同的模式：

例如：

绿灯侠＃21

绿灯侠＃21（变种封面版）

Dejah Thoris＆amp;火星绿人＃4（共8人）

Dejah Thoris＆amp;火星绿人＃4（共8册）（变种封面版）

Macabre One Shot

侦探漫画＃21组合包

我想分组捕捉：

标题（唯一必需的组）
发行编号
问题总数，例如（8）
所有其他信息，例如（Varient Cover Edition）或'Combo Pack'

我已经开始使用正则表达式搜索字符串了，但是我在制作可靠的可选项时遇到了麻烦，

(?P<name>.*?)\s*?(?P<issue_number>#\d*)\s*?(?P<info>.*)

绝对不完整。任何人都可以给予我任何帮助将不胜感激。

提前致谢!!!

Answer 1

可选组的问题在于正则表达式引擎并不真正寻找它们;它只检查它们在处理所导致的当前位置的存在。

使用([^#]+)捕获标题会将引擎置于正确的位置以匹配问题编号（如果存在）。如果您不想在标题末尾添加空格，请改用([^#]*[^#\s])\s*。

import re

strings = ['Green Lantern #21', 
    'Green Lantern #21 (Variant Cover Edition)', 
    'Dejah Thoris & Green Men Of Mars #4 (of 8)', 
    'Dejah Thoris & Green Men Of Mars #4 (of 8) (Variant Cover Edition)', 
    'Macabre One Shot', 
    'Detective Comics #21 Combo Pack']

for s in strings:
    print re.match(r'([^#]*[^#\s])\s*(?:#(\d+)\s*)?(?:\(of (\d+)\)\s*)?(.+)?', s).groups()

打印

('Green Lantern', '21', None, None)
('Green Lantern', '21', None, '(Variant Cover Edition)')
('Dejah Thoris & Green Men Of Mars', '4', '8', None)
('Dejah Thoris & Green Men Of Mars', '4', '8', '(Variant Cover Edition)')
('Macabre One Shot', None, None, None)
('Detective Comics', '21', None, 'Combo Pack')

Answer 2

你可以试试这个正则表达式

^(?P<name>.+?)(\s+(?P<issue_number>#\d+))?(\s+(?P<issues>\(of\s*\d+\)))?(\s+(?P<other>\(Variant Cover Edition\)|Combo Pack))?$

解释

^  # beginning of string
(?P<name>.+?)   # Captures the name
(\s+(?P<issue_number>#\d+))?   # captures the issue number optionally
(\s+(?P<issues>\(of\s*\d+\)))?   # captures the number of issues optionally
(\s+(?P<other>\(Variant Cover Edition\)|Combo Pack))?   # captures other info optionally
$ # end of string

如果您的输入包含多个此类输入，则应删除^，$

漫画书标题的可选正则表达式组（python）

2 个答案: