文字模式识别Python

Question

考虑到您有一组非常嘈杂的文本，并且您想每次选择一个已定义的模式，例如\\d{3}(?:\\.||\\s)\\d{3} 。 问题是，可能会出现在许多情况下这种模式，如"443 440 $" "923 140 €" "923 140 EUR" ， "product id 001 012" "id prod. 001 012" "product 001 012"使用相同的文字。
如我们所见，该模式与所有这些匹配。 例如：

text1 = "Here it is simple because my text includes only one regexp matching which is 443 440 ID"
text2 = "But in some other texts, the regexp can be corresponding to a product profit 956.000 EUR for the product ID 001 023"
text3 = "Also, it can be found that the product 001.079 has a profit of 900 000 $USD"
text4 = "It can be analyzed that the 001789 product contains 001 000 components"

在这里，我想确定自己收集的是正确的东西：产品ID [443 440, 001 023, 001.079, 001789]

您将如何处理？

在现实世界中，可以发现某些功能可能有助于确定数字是否实际上是产品ID（文本中regexp的位置-通常在开头，以恒定的区分词-EUR $，... ）

Answer 1

您可以尝试以下方法：

import re 
import itertools
text1 = "Here it is simple because my text includes only one regexp matching which is 443 440 ID"
text2 = "But in some other texts, the regexp can be corresponding to a product profit 956.000 EUR for the product ID 001 023"
text3 = "Also, it can be found that the product 001.079 has a profit of 900 000 $USD"
text4 = "It can be analyzed that the 001789 product contains 001 000 components"
s = [text1, text2, text3, text4]
final_ids = [re.findall('[\d\s\.]+(?=ID)|(?<=ID)\s*[\d\s\.]+|[\d\s\.]+(?=product)|(?<=product)\s*[\d\s\.]+', i) for i in s]
new_final_ids = [[re.sub('^\s+|\s+$', '', b) for b in i if re.findall('\d+', b)][0] for i in final_ids]

输出：

['443 440', '001 023', '001.079', '001789']

Answer 2

您可以使用http://regex.inginf.units.it/根据示例数据生成正则表达式。 如果您有足够多的培训，它应该可以完成工作。

对于您的四个示例，它生成了以下示例： 001[^\\d]\\d++当然，它不能在您的所有情况下都起作用，但是通过更多示例，您可能会得到更好的结果。