Question

我有similar query，但模式中有一些可选数字（传真号码）。

content = """Generator London ABC / FI9
Phone +758 00 000000000
E-Mail london.abcd@gen.in
Fax
Generate order no 546465438
Generate order date 29.04.2018
Country of Use
Page 1/ 3
Generator London ABC  / FI9
Phone +758 91 702 122222
E-Mail london.abcd@gen.in
Fax
Generate order no 4504967662
Generate order date 29.01.2018
Country of Use
Page 2/ 3
Payment terms:
30 days - 2 %, 45 days net
Supplier
Generator London ABC  / 3I9
Phone +758 91 702 122222
E-Mail london.abcd@gen.in
Fax +07023400800 1234 
XI54545454 ZI41 8263 8815 1100
+2939 218932 000
Total Profit Total Budget
...
"""

观察最后一次出现的传真，传真号码不一致，但Fax字符串始终保持不变。

我有数百个这种格式的文件，必须在传真（传真号码除外）和总利润之间提取确切的文字。

$re.findall(r'Fax\s((?:(?!Fax).)*?)Total', content , re.DOTALL|re.M)
['+07023400800 1234\nXI54545454 ZI41 8263 8815 1100\n+2939 218932 000\n']

如何通过改进正则表达式模式来消除传真号码。

预期结果：

['XI54545454 ZI41 8263 8815 1100\n+2939 218932 000\n']

我不想使用[result [0] .split（'\ n'）[1：]]等手动文本处理，因为这是我的通用方法。

我自己尝试了一些模式，但没有运气。

Answer 1

我建议将Fax后面的文字与行上的第一个单词匹配，然后匹配整行后的文本而不捕获，然后捕获任何不以Fax或{{开头的行1}}以及以Total开头的行：

Total

请参阅regex demo。您可能需要从中删除空格，但它比re.findall(r'(?m)^Fax\b.*((?:[\r\n](?!Total|Fax).*)+)[\r\n]Total', s)更高效，更精确，因为这会阻止与^Fax[^\n\r]*[\r\n]+((?:(?!Fax).)*?)[\r\n]Total 之间的行匹配1}}和Fax。

<强>详情

Fax - Total内联修饰符
(?m) - 行的开头
re.MULTILINE - 整个字^
Fax\b - 其余部分
Fax - 捕获第1组：重复一次或多次
- .* - CR或LF符号
- ((?:[\r\n](?!Total|Fax).*)+) - 没有跟[\r\n]或(?!Total|Fax)一起使用（替换为Total只能将它们作为整个单词匹配）
- Fax - 其余部分
(?!(?:Total|Fax)\b) - CR或LF
.* - 单词[\r\n]（添加Total需要一个完整的单词，Total）

Answer 2

请尝试以下方法： -

import re

content = """Generator London ABC / FI9
Phone +758 00 000000000
E-Mail london.abcd@gen.in
Fax
Generate order no 546465438
Generate order date 29.04.2018
Country of Use
Page 1/ 3
Generator London ABC  / FI9
Phone +758 91 702 122222
E-Mail london.abcd@gen.in
Fax
Generate order no 4504967662
Generate order date 29.01.2018
Country of Use
Page 2/ 3
Payment terms:
30 days - 2 %, 45 days net
Supplier
Generator London ABC  / 3I9
Phone +758 91 702 122222
E-Mail london.abcd@gen.in
Fax +07023400800 1234 
XI54545454 ZI41 8263 8815 1100
+2939 218932 000
Total Profit Total Budget
...
"""

print re.findall(r'Fax\s[\+0-9\s]+((?:(?!Fax).)*?)Total', content , re.DOTALL|re.M)

这里我们使用[+ 0-9 \ s]更新了传真的正则表达式，因此对于数字中的任何空格，它将考虑'+'，'0-9'数字和\ s。希望这会有所帮助。

使用可选字符串查找最接近的文本

2 个答案: