Question

我已经用python与re模块结合编写了一个脚本，以从少量文本中抓取一些内容。如果我单独尝试，我定义的模式可以成功找到并获取它们。

但是，我的问题是如何在循环中使用这些模式一次性拍摄它们？最重要的是，并非所有文本块中的所有字段都可用。

我尝试过（以下所有模式都是有效的）：

import re

content="""
Name: Larry King
Telephone: 514 353-4119 
Website: http://www.lexor.biz 

Name: Allen Smith
Telephone: 819 986-3429 
Website: http://aefournier.com 
Email: aefournier@videotron.ca 

Name: Paul adams
Telephone: 1-819-477-6656 
Email: info@lexor.biz 
"""
pattern = re.compile(r"Name:\s+(.*)")
# pattern = re.compile(r"Telephone:\s+(.*)")
# pattern = re.compile(r"Email:\s+(.*)")
# pattern = re.compile(r"Website:\s+(.*)")
for item in pattern.finditer(content):
    print(item.group(1))

我期望第一个容器具有输出（电子邮件在第一个块中丢失，因此空白字段应该用N/A填充）：

Larry King 514 353-4119 http://www.lexor.biz N/A

and so on--

Answer 1

如果您输入的内容始终是相同的顺序（名称，电话，网站，电子邮件），但后面的一些可选内容是可选的，那么您可以使用正则表达式进行输入。但这可能不是一个好主意。

我们可以将这四个模式连接起来，并在它们之间使用适当的空格模式（我使用\n，该模式适用于您发布的示例，但我不确定它是否正确），并标记后三个可选项，方法是将它们放在一个非捕获组中并附加一个?：

Name:\s+(.*)\n(?:Telephone:\s+(.*)\n)?(?:Website:\s+(.*)\n)?(?:Email:\s+(.*)\n)?

您可以in action at regex101看到它。

请注意，例如，最后一场比赛没有第3组，只有第1、2和4组。

（给这些组?P<names>可能会更好一些，因此您可以通过名称来引用它们。）

但是，通过将其视为由空白行分隔的块序列（每个块均采用Header：Value格式）来解决，则要容易得多。您甚至不需要正则表达式；只是遍历了可迭代的字符串。

或者，更简单地说，使用itertools.groupby为您将其分成多个块。非空行是真实的，空行是虚假的，所以只需按真实性分组：

lines = content.splitlines()

for nonempty, group in itertools.groupby(lines, bool):
    if nonempty:
        print('New Entry')
        for line in group:
           header, value = line.split(':', 1)
           print(header.strip(), value.strip())

或者，假设您想将这些条目实际收集到某种结构中，例如按名称键入的dict的dict：

def parse(lines):
    for nonempty, group in itertools.groupby(lines, bool):
        if nonempty:
            pairs = (line.split(':', 1) for line in group)
            yield {header.strip(): value.strip() for header, value in pairs}

entries = {entry['Name']: entry for entry in parse(content.splitlines())}

无法编译循环中的所有模式

1 个答案: