基于Python中的模式拆分字符串

Question

我有很长的字符串，如

"123 - Footwear, 5678 - Apparel, Accessories & Luxury Goods, 9876 - Leisure Products"

和

"321 - Apparel & Accessories, 4321 - Apparel & Accessories > Handbags, Wallets & Cases, 187 - Apparel & Accessories > Shoes"

我想根据模式“数字，空格，短划线，空格，一些字符串直到下一个数字，空格，短划线，空格或字符串结尾”来拆分它们。 请注意，该字符串可能包含逗号，＆符号，“>”和其他特殊字符，因此拆分它们将不起作用。 我认为Python中有一种方法可以基于正则表达式进行拆分，但是我很难形成。

我对正则表达式有非常介绍性的知识。 我可以为数字和字母数字字符串形成一个正则表达式，但我不知道如何指定“在下一个数字开始之前采取一切”。

---

更新：预期输出：

第一种情况：

["123 - Footwear", "5678 - Apparel, Accessories & Luxury Goods", "9876 - Leisure Products"]

第二种情况：

["321 - Apparel & Accessories", "4321 - Apparel & Accessories > Handbags, Wallets & Cases", "187 - Apparel & Accessories > Shoes"]

Answer 1

这是模式，首先有一些数字，所以我们使用[0-9]+后跟字符串和特殊字符，如& - > ，因此我们可以使用[a-zA-Z \\-&>]+ ：

>>> str_ = "123 - Footwear, 5678 - Apparel, Accessories & Luxury Goods, 9876 - Leisure Products"
>>> re.findall(r'(?is)([0-9]+[a-zA-Z \-&>,]+)', str_)
['123 - Footwear, ',
 '5678 - Apparel, Accessories & Luxury Goods, ',
 '9876 - Leisure Products']

您在OP中提到的另一个字符串

>>> str_ = "321 - Apparel & Accessories, 4321 - Apparel & Accessories > Handbags, Wallets & Cases, 187 - Apparel & Accessories > Shoes"
>>> re.findall(r'(?is)([0-9]+[a-zA-Z \-&>,]+)', str_)
['321 - Apparel & Accessories, ', 
 '4321 - Apparel & Accessories > Handbags, Wallets & Cases, ', 
 '187 - Apparel & Accessories > Shoes']

Answer 2

如果数字仅出现在每个字符串段的开头，您可以执行以下操作：

import re
for s in "123 - Footwear, 5678 - Apparel, Accessories & Luxury Goods, 9876 - Leisure Products", "321 - Apparel & Accessories, 4321 - Apparel & Accessories > Handbags, Wallets & Cases, 187 - Apparel & Accessories > Shoes":
    print(re.findall(r'\d+\D+(?=,\s*\d|$)', s))

这输出：

['123 - Footwear', '5678 - Apparel, Accessories & Luxury Goods', '9876 - Leisure Products']
['321 - Apparel & Accessories', '4321 - Apparel & Accessories > Handbags, Wallets & Cases', '187 - Apparel & Accessories > Shoes']

此正则表达式模式使用\\d+首先匹配数字，然后使用\\D+匹配非数字，并使用超前模式(?=,\\s*\\d|$)确保非数字停止在它后跟逗号，一些空格和另一个数字，或字符串的结尾，以便生成的匹配不包括尾随逗号和空格。

Answer 3

您可以匹配从一个或多个数字开始的子字符串，后跟1 +空格， - ，1 +空格，以相同的模式或字符串结尾结束。

re.findall(r"\d+\s+-\s+.*?(?=\s*(?:,\s*)?\d+\s+-\s|\Z)", s, re.S)

请参阅正则表达式演示

注意 ：如果前导号码长度超过一个，例如，它至少是一个2位数字，您可以用\\d{2,}等替换\\d+ 。根据需要调整。

正则表达式演示

• \\d+ - 1+位数
• \\s+-\\s+ - a -用1+个空格括起来
• .*? - 任何0+字符，尽可能少，直到字符串中的位置，后跟...
• (?=\\s*(?:,\\s*)?\\d+\\s+-\\s|\\Z) - （一个积极的向前看）：
  • \\s*(?:,\\s*)?\\d+\\s+-\\s - 0+空格，逗号的可选子字符串和后面的0 +空格，1 +位，1 +空格， -和空格
  • | - 要么
  • \\Z - 字符串的结尾

Python演示 ：

import re

rx = r"\d+\s+-\s+.*?(?=\s*(?:,\s*)?\d+\s+-\s|\Z)"
texts = ["123 - Footwear, 5678 - Apparel, Accessories & Luxury Goods, 9876 - Leisure Products", "321 - Apparel & Accessories, 4321 - Apparel & Accessories > Handbags, Wallets & Cases, 187 - Apparel & Accessories > Shoes"]
for s in texts:
    print("--- {} ----".format(s))
    print(re.findall(rx, s, re.S))

输出：

--- 123 - Footwear, 5678 - Apparel, Accessories & Luxury Goods, 9876 - Leisure Products ---
['123 - Footwear', '5678 - Apparel, Accessories & Luxury Goods', '9876 - Leisure Products']
--- 321 - Apparel & Accessories, 4321 - Apparel & Accessories > Handbags, Wallets & Cases, 187 - Apparel & Accessories > Shoes ---
['321 - Apparel & Accessories', '4321 - Apparel & Accessories > Handbags, Wallets & Cases', '187 - Apparel & Accessories > Shoes']

Answer 4

当你遇到数字时，它就像拆分一样简单吗？

s = "123 - Footwear, 5678 - Apparel, Accessories & Luxury Goods, 9876 - Leisure Products"
re.findall(r'\d+\D+', s) 

['123 - Footwear, ',
 '5678 - Apparel, Accessories & Luxury Goods, ',
 '9876 - Leisure Products']