Question

基本上，我有一个Hive脚本文件，我需要从中提取所有创建的表的名称。例如，从内容

...
create table Sales ...
...
create external table Persons ...
...

应提取

Sales和Persons。要做到这一点，我的基本想法是：

搜索关键短语create table和create external table，
提取下一个应该是表名的标记。

但是，输入可能不是规范的。例如，

Tab /换行符可以与空格一起用作标记分隔符
令牌之间可能有多个连续的分隔符
混合使用大写和小写字母，如create TABLE

因此，我正在考虑在应用基本算法之前首先将输入规范化为规范形式。然后经过一番努力，我想出了以下内容

' '.join(input.split()).lower()

作为一个Python新手，我想知道这是否是Pythonic解决问题的方法，或者它可能在一开始就存在缺陷？是否有一种简单的方法以流式方式执行此操作，即避免一次将整个输入加载到内存中？

Answer 1

正如一些评论所说，正则表达式是一种简洁明了的方式来获得你想要的东西。如果您不介意获得小写结果，那么这个应该可以工作：

import re
my_str = """
...
create table Sales ...
create TabLE  
 test
create external table Persons ...
...
"""
pattern = r"table\s+(\w+)\b"
items = re.findall(pattern, my_str.lower())
print items

它捕获了＆＃34; table＆＃34;之后的下一个单词。（后面跟着至少一个空格/换行符。）

获取表名的原始案例：

for x, item in enumerate(items):
    i = my_str.lower().index(item)
    items[x] = my_str[i:i+len(item)]
print items

Pythonic方式解决文本规范化任务

1 个答案: