Question

我有一些我正在解析的数据，它采用以下格式：

8344,5354,Binh Duong,1,0103313333333033133331,1,13333333331,1,00313330133
,8344,7633,TT Ha Noi,2,3330333113333303111303,3,33133331133,2,30333133010
....more data.....

第一条记录不是以逗号开头，而是所有后续数据行都以逗号开头。我想在第一行的第4和第5个逗号之间以及所有其他行上的第5和第6个逗号之间取所有数字，并使用逗号分割此字符串。

所以在上面的例子'0103313333333033133331'应打印为'0,1,0,3,3,1,3,3,3,3,3,3,3,0,3,3,1,3 ，3,3,3,1' 。难点在于逗号x和y之间的字符串长度根据我正在解析的数据而变化。我已经使用正则表达式来隔离有问题的字符串，前提是它有16位数字，但在我可能解析的所有项目中并非如此。

结果使用带有16个'{}实例的.format（）方法，在字符串不是16字节长的项目上抛出了一个元组索引错误。

有人能建议一种实现我想要的方法吗？

由于

Answer 1

我会使用str.split()来获取正确的字段，并使用str.join()将其拆分为单个字符：

with open('xx.in') as input_file:
   for line in input_file:
       line = line.strip().strip(',')
       line = line.split(',')
       field = line[4]
       print ','.join(field)

Answer 2

您可以使用此正则表达式：

^,?\d+,\d+,[\w\s]+,\d+,(\d+)

<强> Working demo

MATCH 1
1.  [23-45] `0103313333333033133331`
MATCH 2
1.  [97-119]    `3330333113333303111303`

然后，您可以使用\d

拆分每个组的内容

p = re.compile(ur'(\d)')
test_str = u"0103313333333033133331"
subst = u"\1,"

result = re.sub(p, subst, test_str)

>> 0,1,0,3,3,1,3,3,3,3,3,3,3,0,3,3,1,3,3,3,3,1,

Answer 3

与正则表达式略有不同的方法，它从末尾抓取逗号分隔行的第5个元素：

>>> import re
>>> lines = ['8344,5354,Binh Duong,1,0103313333333033133331,1,13333333331,1,00313330133',',8344,7633,TT Ha Noi,2,3330333113333303111303,3,33133331133,2,30333133010']
>>> for line in lines:
...     num = re.search(r'\d+(?=(?:,[^,]+){4}$)', line).group()
...     seq = ','.join(list(num))
...     print(seq)
...
0,1,0,3,3,1,3,3,3,3,3,3,3,0,3,3,1,3,3,3,3,1
3,3,3,0,3,3,3,1,1,3,3,3,3,3,0,3,1,1,1,3,0,3

在逗号x和逗号之间定义字符串使用逗号分割所有字节

3 个答案: