Question

我有一个.csv文档，其中包含多行。在每一行中，我都有制表符分隔的信息，例如

name_1:ayse \t name_2:fatma \t birth_date_1:24 \t birth_date_2:august \t birth_date_3:2018 \t death_date:2100 \t location:turkey.

这些信息的顺序在每一行中可能并不相同，并且在每一行中有许多类似的信息。

我想做的是获取字符串的特定部分，其中仅包含“ birth_date”信息。

我设法只获得了与出生日期相关的所有三个字符串，如下所示：

['birth_date_1', 'birth_date_2', 'birth_date_3']

借助以下代码。

 inputfile = open('ornek_data.csv','r',encoding="utf-8")

 for rownum, line in enumerate(inputfile):
    pattern_birth = re.compile(r"\w*birth_date\w*",re.IGNORECASE)
    if pattern_birth.search(line) is not None:
       a = re.findall("\w*birth_date\w*", line)
       print(a)

不过，我真正想要的是将列表下面的内容作为输出，并将其写在另一文档的每一行中。

['birth_date_1:24', 'birth_date_2:august', 'birth_date_3:2018']

我尝试了其他几种正则表达式方法，例如下面的方法，但是我无法处理它。如果有人可以帮助我解决这个问题，我将感到很高兴。

    for rownum, line in enumerate(inputfile):
        pattern_birth = re.compile(r"\w*birth_date\w*",re.IGNORECASE)
        if pattern_birth.search(line) is not None:
           a = re.findall("\w*birth_date.*?:$", line)
           print(a)

Answer 1

在这里我不会使用regex。

在'\t'上分割，并检查分割后是否包含'birth_date'，很简单！：

s =  'name_1:ayse \t name_2:fatma \t birth_date_1:24 \t birth_date_2:august \t birth_date_3:2018 \t death_date:2100 \t location:turkey.'

print([x.strip() for x in s.split('\t') if 'birth_date' in x])
# ['birth_date_1:24', 'birth_date_2:august', 'birth_date_3:2018']

Answer 2

使用training set score: 0.892 test set score: 0.876或"\w*birth_date.*?\s"

例如：

r"birth_date_\d:.*?\s"

输出：

import re

line = "name_1:ayse \t name_2:fatma \t birth_date_1:24 \t birth_date_2:august \t birth_date_3:2018 \t death_date:2100 \t location:turkey."
print(re.findall("\w*birth_date.*?\s", line))

Answer 3

您的正则表达式与您尝试提取的正则表达式不匹配，因此您需要对其进行扩展。

顺便说一句，您只应该re.compile一次-编译的重点是避免需要再次解析正则表达式。

也不需要单独检查是否有匹配项。只需遍历所有比赛；如果不存在，则循环将执行零次。

pat = re.compile(r"\bbirth_date_\d+:\d+",re.IGNORECASE)

with open('ornek_data.csv','r',encoding="utf-8") as inputfile:
    for rownum, line in enumerate(inputfile):
        for a in pat.findall(line):
            print(rownum, a)

\w*并没有做任何有用的事情（如果您不关心它是否在那里，就像*量词一样，为什么要搜索它呢？）而\b要求匹配项发生在单词边界处（因此必须与空格或标点相邻，或与行的开头或结尾相邻）。 \d与数字匹配，而:与自身匹配。

如果这是格式正确的CSV文件，则可以改用CSV阅读器并打印与startswith('birth_date_')匹配的字段

正则表达式_如何从一行中提取几个匹配的模式？

3 个答案: