Question

我尝试读取以下结构（python）：

a1a:bb2b,c3cc,dd44d;e5eee:ff66,g7;h8h:i9

（它们之间没有空格！），理想情况下像这样

((a1a, (bb2b, c3cc, dd44d)),
 (e5eee, (ff66, g7)),
 (h8h, (i9)))

带文字：1个或更多组。每组一个头，后跟一个“：”和一个或多个项目，以“，”分隔。这些组用“;”分隔。每个项目都是字母数字，包括“ _”。

我尝试使用正则表达式（由于第四只鸟的贡献（？：; | $））：

(\w+):(?:(\w+)|(?:,(\w+)(?=,))|(?:,(\w+)))+(?:;|$)

as shown here

它提供以下结果：

((a1a, bb2b, c3cc, dd44d),
 (e5eee, ff66, g7),
 (h8h, i9))

这总比没有好，但是还没有要求的确切输出格式。

有人知道如何调整正则表达式以准确获得所需结果吗？恐怕一般不可能像（a1a，（bb2b，c3cc，dd44d））中那样获得（bb2b，c3cc，dd44d）之类的嵌套组，不是吗？

在此先感谢您的提示。 mdew

Answer 1

您可以使用2个捕获组，然后匹配分号或字符串的末尾。然后，在替换中，您可以使用将它们与括号组合在一起的那些组：

(\w+):(\w+(?:,\w+)*)(?:;|$)

Regex demo | Python demo

说明

(\w+)分组捕获1个以上的单词字符
:匹配:
(捕获组
- \w+(?:,\w+)*匹配1+个单词字符，然后匹配一个重复0+次逗号和1+个单词字符的组
)封闭小组
(?:;|$)匹配;或字符串的结尾

在替换中，您可以使用它，并且它们会删除结尾的逗号和换行符

(\1(\2)),\n

编辑：

要获取元组列表，您可以使用相同的正则表达式，并用逗号将第二组分开并创建一个元组：

import re
text = "a1a:bb2b,c3cc,dd44d;e5eee:ff66,g7;h8h:i9"
matches = re.findall("(\w+):(\w+(?:,\w+)*)(?:;|$)", text)
matches  = list(map(lambda x: (x[0], tuple(x[1].split(','))), matches))
print (matches)

结果：

[('a1a', ('bb2b', 'c3cc', 'dd44d')), ('e5eee', ('ff66', 'g7')), ('h8h', ('i9',))]

请参见Python demo

尝试使用regexp读取嵌套结构

1 个答案: