Question

我有一个包含大量文档的.txt文件。每个文档都以：

开头

                               11 of 500 DOCUMENTS

数字明显不同。数字前31个空格（如果重要）。不幸的是，我对正则表达式很可怕。如何使用正则表达式拆分这些文档？

Answer 1

假设您要提取文档数量，这应该与匹配一个或多个数字\d+和使用saving groups一样简单。例如：

In [1]: import re

In [2]: s = "                               11 of 500 DOCUMENTS"

In [3]: match = re.search(r"(\d+) of (\d+) DOCUMENTS", s)
In [4]: match.group(1)
Out[4]: '11'

In [4]: match.group(2)
Out[4]: '500'

Answer 2

我认为你不需要正则表达式。看起来你可以用

轻松识别这条线

line.startswith(31*' ')

或

line.endswith('of 500 DOCUMENTS\n')

或者两者兼而有之，如果你是一个腰带和吊带男人。假设一次读取一行文件没有问题，你不能按照

的方式做一些事情。

document = []
for line in open('500docs.txt'):
    if line.startswith(31*' '):
       if document:
          analyze(document)
          document = []
       else:
          document.append(line)

这不会处理文件中的最后一个文档，因此您也需要在循环外部使用analyze(document)。

你觉得这对你有用吗？

正则表达式Python＆＃34;如果数字后跟字母字符＆＃34;

2 个答案: