Question

我有一些像这样的原始数据：

Dear   John    Buy   1 of Coke, cost 10 dollars
       Ivan    Buy  20 of Milk
Dear   Tina    Buy  10 of Coke, cost 100 dollars
       Mary    Buy   5 of Milk

数据规则是：

不是每个人都会以＆＃34;亲爱的＆＃34;开头，如果有，则必须以费用结束
该项目可能并不总是正常的单词，可以无限制地写入（包括str，num等）

我想对信息进行分组，并尝试使用正则表达式。那是我以前尝试过的：

for line in file.readlines():
    match = re.search(r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>\w+)(?:\D+)(?P<costs>\d*)',line)
    if match is not None:
        print(match.groups())
file.close()

现在输出如下：

('John', '1', 'Coke', '10')
('Ivan', '20', 'Milk', '')
('Tina', '10', 'Coke', '100')
('Mary', '5', 'Milk', '')

显示以上内容是我想要的。但是，如果item被某些奇怪的字符串替换为A1~A10，则某些输出会收到错误信息：

('Ivan', '20', 'A1', '10')
('Mary', '5', 'A1', '10')

我认为item field中的常量格式是它始终以,结尾（如果有的话）。但我只是不知道如何利用这一优势。

通过使用上面的代码认为它暂时成功，我认为(?P<item>\w+)必须像(?P<item>.+)一样被替换。如果我这样做，它会在元组中使用错误的字符串，如：

('John', '1', 'Coke, cost 10 dollars', '')

如何使用Python中的正则表达式将数据读入我想要的格式？

Answer 1

我会使用这个regex：

r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,]+)(?:,\D+)?(?P<costs>\d+)?'

<强>演示

>>> line = 'Dear   Tina    Buy  10 of A1~A10'
>>> match = re.search(r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,]+)(?:,\D+)?(?P<costs>\d+)?', line)
>>> match.groups()
('Tina', '10', 'A1~A10', None)

>>> line = 'Dear   Tina    Buy  10 of A1~A10, cost 100 dollars'
>>> match = re.search(r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,]+)(?:,\D+)?(?P<costs>\d+)?', line)
>>> match.groups()
('Tina', '10', 'A1~A10', '100')

<强>解释

你的正则表达式的第一部分非常好，这是一个棘手的部分：

(?P<item>[^,]+)我们确定当 cost 字符串存在时，该字符串将包含逗号，这里我们说我们想要< em>除逗号以外的任何内容来设置项目值。

(?:,\D+)?(?P<costs>\d+)?我们在这里使用两组。 重要的事情是围绕群组的括号之后的?：

＆＃39;＆＃39;导致生成的RE匹配0或1次重复在RE之前。 AB？将匹配'a'或'ab'。

因此我们使用?来匹配两种可能性（ cost 字符串是否存在）

(?:,\D+)是一个non-capturing，它会匹配逗号，后跟除了数字之外的任何内容。

(?P<costs>\d+)将捕获指定组费用中的任何数字。

Answer 2

我试过这个正则表达式

^(Dear)?\s*(?P<name>\w*)\D*(?P<num>\d+)\sof\s(?P<drink>\w*)(,\D*(?P<cost>\d+)\D*)?

解释

^(Dear)?匹配行从Dear开始，如果存在
(?P<name>\w*)名称捕获组以捕获名称
\D*匹配任何非数字字符
(?P<num>\d+)命名捕获组以获取num。
\sof\s匹配字符串of
(?P<drink>\w*)来喝酒
(,\D*(?P<cost>\d+)\D*)?这是一个可选的小组来获取饮料的费用

带

>>> reobject = re.compile('^(Dear)?\s*(\w*)[\sa-zA-Z]*(\d+)\s*\w*\s*(\w*)(,[\sa-zA-Z]*(\d+)[\s\w]*)?')

第一个数据摘录

>>> data1 = 'Dear   John    Buy   1 of Coke, cost 10 dollars'
>>> match_object = reobject.search(data1)
>>> print (match_object.group('name') , match_object.group('num'), match_object.group('drink'), match_object.group('cost'))
('John', '1', 'Coke', '10')

第二个数据摘录

>>> data2 = '       Ivan    Buy  20 of Milk'
>>> match_object = reobject.search(data2)
>>> print (match_object.group('name') , match_object.group('num'), match_object.group('drink'), match_object.group('cost'))
('Ivan', '20', 'Milk', None)

Answer 3

没有正则表达式：

with open('commandes.txt') as f:
    results = []
    for line in f:
        parts = line.split(None, 5)
        price = ''
        if parts[0] == 'Dear':
            tmp = parts[5].split(',', 1)
            for tok in tmp[1].split():
                if tok.isnumeric():
                    price = tok
                    break 
            results.append((parts[1], parts[3], tmp[0], price))
        else:
            results.append((parts[0], parts[2], parts[4].split(',')[0], price))
    print(results)

在产品名称之前，除了空格之外，不关心使用哪些字符，这就是为什么每一行被5个部分的空格分割的原因。当该行以＆＃34; Dear＆＃34;开头时，最后一部分用逗号分隔以提取产品名称和价格。请注意，如果价格始终位于同一位置（即：＆＃34;成本＆＃34;），您可以避开最里面的for循环并将其替换为price = tmp[1].split()[1]

注意：如果要防止处理空行，可以将第一个for循环更改为：

for line in (x for x in f if x.rstrip()):

Answer 4

如果您使用.+，则子模式将抓取整个行的其余部分，因为.匹配任何字符，但没有re.S标记的换行符。

您可以将\w+替换为否定字符类子模式[^,]+，以匹配逗号以外的一个或多个字符：

r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,]+)\D*(?P<costs>\d*)'
                                                ^^^^^

请参阅IDEONE demo：

import re
file = "Dear   John    Buy   1 of A1~A10, cost 10 dollars\n       Ivan    Buy  20 of Milk\nDear   Tina    Buy  10 of Coke, cost 100 dollars\n       Mary    Buy   5 of Milk"
for line in file.split("\n"):
    match = re.search(r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,\W]+)\D*(?P<costs>\d*)',line)
    if match:
        print(match.groups())

输出：

('John', '1', 'A1~A10', '10')
('Ivan', '20', 'Mil', '')
('Tina', '10', 'Coke', '100')
('Mary', '5', 'Mil', '')

使用Python中的正则表达式对数据进行分组

4 个答案: