使用Python中的正则表达式对数据进行分组

Question

我有一些像这样的原始数据：

Dear   John    Buy   1 of Coke, cost 10 dollars
       Ivan    Buy  20 of Milk
Dear   Tina    Buy  10 of Coke, cost 100 dollars
       Mary    Buy   5 of Milk

数据规则是：

• 不是每个人都会从“亲爱的”开始，而如果有的话，它必须以成本结束

• 该项目可能并不总是正常的单词，可以无限制地写入（包括str，num等）

我想分组信息，我试图使用正则表达式。 这就是我之前尝试过的：

for line in file.readlines():
    match = re.search(r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>\w+)(?:\D+)(?P<costs>\d*)',line)
    if match is not None:
        print(match.groups())
file.close()

现在输出看起来像：

('John', '1', 'Coke', '10')
('Ivan', '20', 'Milk', '')
('Tina', '10', 'Coke', '100')
('Mary', '5', 'Milk', '')

上面显示的是我想要的。 但是，如果item被一些奇怪的字符串替换为A1~A10 ，则某些输出将获得错误的信息：

('Ivan', '20', 'A1', '10')
('Mary', '5', 'A1', '10')

我认为，在不断的格式item field的是，它总是以结束, （如果有的话）。 但我只是不知道如何利用这一优势。

认为通过使用上面的代码暂时成功，我认为(?P<item>\\w+)必须像(?P<item>.+)一样被替换。 如果我这样做，它将在元组中使用错误的字符串，如：

('John', '1', 'Coke, cost 10 dollars', '')

如何通过在Python中使用正则表达式将数据读入我想要的格式？

Answer 1

我会用这个regex ：

r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,]+)(?:,\D+)?(?P<costs>\d+)?'

演示

>>> line = 'Dear   Tina    Buy  10 of A1~A10'
>>> match = re.search(r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,]+)(?:,\D+)?(?P<costs>\d+)?', line)
>>> match.groups()
('Tina', '10', 'A1~A10', None)

>>> line = 'Dear   Tina    Buy  10 of A1~A10, cost 100 dollars'
>>> match = re.search(r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,]+)(?:,\D+)?(?P<costs>\d+)?', line)
>>> match.groups()
('Tina', '10', 'A1~A10', '100')

说明

你的正则表达式的第一部分是完美的，这是棘手的部分：

(?P<item>[^,]+)因为我们确定当成本字符串存在时字符串将包含逗号 ，这里我们说除了逗号之外我们还想要设置项目值。

(?:,\\D+)?(?P<costs>\\d+)? 我们在这里使用两组。 重要的是? 在括起组的括号后：

'？' 使得到的RE匹配前面RE的0或1次重​​复。 AB？ 将匹配'a'或'ab'。

所以我们用? 匹配两种可能性（ 成本字符串是否存在）

(?:,\\D+)是一个非捕获 ，它将匹配逗号，后跟除数字之外的任何内容。

(?P<costs>\\d+)将捕获在指定组的成本的任何数字。

Answer 2

我试过这个正则表达式

^(Dear)?\\s*(?P<name>\\w*)\\D*(?P<num>\\d+)\\sof\\s(?P<drink>\\w*)(,\\D*(?P<cost>\\d+)\\D*)?

说明

1. ^(Dear)? 匹配行从Dear开始，如果存在的话
2. (?P<name>\\w*)用于捕获名称的名称捕获组
3. \\D*匹配任何非数字字符
4. (?P<num>\\d+)命名捕获组以获取num 。
5. \\sof\\s匹配的字符串of
6. (?P<drink>\\w*)来喝酒
7. (,\\D*(?P<cost>\\d+)\\D*)? 这是一个可选组，以获得饮料的成本

同

>>> reobject = re.compile('^(Dear)?\s*(\w*)[\sa-zA-Z]*(\d+)\s*\w*\s*(\w*)(,[\sa-zA-Z]*(\d+)[\s\w]*)?')

第一个数据片段

>>> data1 = 'Dear   John    Buy   1 of Coke, cost 10 dollars'
>>> match_object = reobject.search(data1)
>>> print (match_object.group('name') , match_object.group('num'), match_object.group('drink'), match_object.group('cost'))
('John', '1', 'Coke', '10')

第二个数据片段

>>> data2 = '       Ivan    Buy  20 of Milk'
>>> match_object = reobject.search(data2)
>>> print (match_object.group('name') , match_object.group('num'), match_object.group('drink'), match_object.group('cost'))
('Ivan', '20', 'Milk', None)

Answer 3

没有正则表达式：

with open('commandes.txt') as f:
    results = []
    for line in f:
        parts = line.split(None, 5)
        price = ''
        if parts[0] == 'Dear':
            tmp = parts[5].split(',', 1)
            for tok in tmp[1].split():
                if tok.isnumeric():
                    price = tok
                    break 
            results.append((parts[1], parts[3], tmp[0], price))
        else:
            results.append((parts[0], parts[2], parts[4].split(',')[0], price))
    print(results)

在产品名称之前，除了空格之外，它并不关心使用哪些字符，这就是为什么每行由5个部分中的空格分割的原因。 当行以“Dear”开头时，最后一部分用逗号分隔以提取产品名称和价格。 请注意，如果价格总是在同一个地方（即：在“成本”之后），您可以避开最里面的for循环并将其替换为price = tmp[1].split()[1]

注意：如果要防止处理空行，可以将第一个for循环更改为：

for line in (x for x in f if x.rstrip()):

Answer 4

如果你使用.+ ，子模式将抓住整个行的其余部分. 匹配任何字符，但没有re.S标志的换行符。

您可以将\\w+替换为否定字符类子模式[^,]+以匹配逗号以外的一个或多个字符：

r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,]+)\D*(?P<costs>\d*)'
                                                ^^^^^

查看IDEONE演示 ：

import re
file = "Dear   John    Buy   1 of A1~A10, cost 10 dollars\n       Ivan    Buy  20 of Milk\nDear   Tina    Buy  10 of Coke, cost 100 dollars\n       Mary    Buy   5 of Milk"
for line in file.split("\n"):
    match = re.search(r'\s+(?P<name>\w+)\D*(?P<num>\d+)\sof\s(?P<item>[^,\W]+)\D*(?P<costs>\d*)',line)
    if match:
        print(match.groups())

输出：

('John', '1', 'A1~A10', '10')
('Ivan', '20', 'Mil', '')
('Tina', '10', 'Coke', '100')
('Mary', '5', 'Mil', '')