Question

我需要解析具有多个语言代码的行，如下所示

008800002     Bruxelles-Nord$Br�ussel Nord$<deu>$Brussel Noord$<nld>

008800002是id
Bruxelles-Nord$Br�ussel Nord$是name1
deu是第一语言
$Brussel Noord$ 是名字二
nld是第二语言。

因此，这个想法是名称和语言可以出现N次。我需要全部收集它们。 <>中的语言长度为3个字符（固定）所有名称都以$符号结尾。

我试过这个，但它没有给出预期的输出。

x = re.compile('(?P<stop_id>\d{9})\s(?P<authority>[[\x00-\x7F]{3}|\s{3}])\s(?P<stop_name>.*)
    (?P<lang_code>(?:[<]\S{0,4}))',flags=re.UNICODE)

我不知道如何获得重复的元素。需要

Bruxelles-Nord$Br�ussel Nord$<deu>$Brussel Noord$为stop_name，<nld>为语言。

Answer 1

分两步完成。第一个单独的ID来自名称/语言对;然后在名称/语言部分使用re.finditer迭代对，并将它们填入dict。

import re

line = u"008800002     Bruxelles-Nord$Br�ussel Nord$<deu>$Brussel Noord$<nld>"
m = re.search("(\d+)\s+(.*)", line, re.UNICODE)
id = m.group(1)
names = {}
for m in re.finditer("(.*?)<(.*?)>", m.group(2), re.UNICODE):
    names[m.group(2)] = m.group(1)
print id, names

Answer 2

\b(\d+)\b\s*|(.*?)(?=<)<(.*?)>

试试这个。只需抓住captures.see演示。

http://regex101.com/r/hS3dT7/4

python中多次出现的正则表达式

2 个答案: