在python中解析科学出版物页面范围

Question

我需要分析一组字符串，这些字符串包含页面范围，因为它们出现在科学和其他出版物的元数据中。 我没有关于分页格式的完整规范，我甚至不确定是否存在分页格式，但是我需要处理的字符串示例如下：

6-10, 19-22
xlvii-xlviii
111S-2S
326
A078-132
XC-CIII

理想情况下，我想返回每个字符串的页数，例如9表示6-10, 19-22 。 如果这太难了，至少是一页还是更多。 实际上，后者非常容易，因为逗号和破折号似乎是到目前为止我所看到的示例中唯一的分隔符。 但是我非常希望得到正确的计数。

我可以编写自己的解析器，但很好奇是否有任何现成的程序包已经可以做到这一点或只需很少的mod。

Answer 1

这是一个支持解析“正常”数字和罗马数字的解决方案。 要解析罗马数字，请安装罗马软件包（easy_install roman）。 您可以增强parse_num函数以支持其他格式。

import roman

def parse_num(p):
    p = p.strip()
    try:
        return roman.fromRoman(p.upper())
    except:
        return int(p)

def parse_pages(s):
    count = 0
    for part in s.split(','):
        rng = part.split('-', 1)
        a, b = parse_num(rng[0]), parse_num(rng[-1])
        count += b - a + 1
    return count

>>> parse_pages('17')
1
>>> parse_pages('6-10, 19-22')
9
>>> parse_pages('xlvii-xlviii')
2
>>> parse_pages('XC-CIII')
14