Question

我有一些这样的文字：

CustomerID:1111,

text1

CustomerID:2222,

text2

CustomerID:3333,

text3

CustomerID:4444,

text4

CustomerID:5555,

text5

每个文字都有多行。

我想在元组中存储每个ID的客户ID和文本（例如(1111, text1)，(2222, text2)等）。

首先，我使用下面的表达式：

re.findall('CustomerID:(\d+)(.*?)CustomerID:', rawtxt, re.DOTALL)

但是，我只获得(1111, text1)，(3333, text3)，(5555, text5) .....

Answer 1

re.findall(r'CustomerID:(\d+),\s*(.*?)\s*(?=CustomerID:|$)', rawtxt, re.DOTALL)

Findall仅返回groups。使用lookahead来停止non greedy量词。它还建议使用r或raw模式来指定您的正则表达式。如果您不使用lookahead，那么{下一场比赛的{1}}将被使用，因此下一场比赛将不会出现。必须使用不customerid的{{1}}删除重置比赛

Answer 2

实际上这里不需要正则表达式：

>>> with open('file') as f:
...     rawtxt = [i.strip() for i in f if i != '\n']
...     
>>> l = []
>>> for i in [rawtxt[i:i+2] for i in range(0, len(rawtxt), 2)]:
...     l.append((i[0][11:-1], i[1]))
...     
... 
>>> l
[('1111', 'text1'), ('2222', 'text2'), ('3333', 'text3'), ('4444', 'text4'), ('5
555', 'text5')]
>>>

如果您需要1111，2222等，请使用l.append((int(i[0][11:-1]), i[1]))代替l.append((i[0][11:-1], i[1]))。

Answer 3

假设：

>>> txt='''\
... CustomerID:1111,
... 
... text1
... 
... CustomerID:2222,
... 
... text2
... 
... CustomerID:3333,
... 
... text3
... 
... CustomerID:4444,
... 
... text4
... 
... CustomerID:5555,
... 
... text5'''

你可以这样做：

>>> [re.findall(r'^(\d+),\s+(.+)', block) for block in txt.split('CustomerID:') if block]
[[('1111', 'text1')], [('2222', 'text2')], [('3333', 'text3')], [('4444', 'text4')], [('5555', 'text5')]]

如果是多行文字，您可以这样做：

>>> [re.findall(r'^(\d+),\s+([\s\S]+)', block) for block in txt.split('CustomerID:') if block]
[[('1111', 'text1\n\n')], [('2222', 'text2\n\n')], [('3333', 'text3\n\n')], [('4444', 'text4\n\n')], [('5555', 'text5')]]

Answer 4

另一个简单的可能是 -

>>>re.findall(r'(\b\d+\b),\s*(\btext\d+\b)', rawtxt)
>>>[('1111', 'text1'), ('2222', 'text2'), ('3333', 'text3'), ('4444', 'text4'), ('5555', 'text5')]

编辑 - 如果需要（对于更糟糕的有序数据），请使用filter

filter(lambda x: len(x)>1,re.findall(r'(\b\d+\b),\s*(\btext\d+\b)', rawtxt))

查看演示 Live Demo

Answer 5

re.findall不是最好的工具，因为正则表达式总是贪婪的，并且会尝试用文本吞噬所有后续的customerID。

为此实际创建的工具是re.split。括号捕获id号并过滤掉“CustomerID”。第二行以你想要的方式将标记拼接成元组：

toks = re.split(r'CustomerID:(\d{4}),\n', t)
zip(toks[1::2],toks[2::2])

编辑：zip（）中的更正索引。校正后的样本输出：

[('1111', 'text1\n'),
 ('2222', 'text2\n'),
 ('3333', 'text3\n'),
 ('4444', 'text4\n'),
 ('5555', 'text5')]

两个字符串python之间的正则表达式文本

5 个答案: