python正则表达式在某些关键字后找到第一个单词

Question

我有以下python代码，它检索某些关键字后的第一个单词：

file_tokens = ('DATABASE', 'EXTERNAL_FILE', 'FILE', 'FILENAME', 'INCLUDE')
# match newline, only spaces, then exact token, then spaces, then everything but whitespace
search_pattern = r'\n\s*({})\s+([^\s]*)'.format('|'.join(file_tokens))
matches = re.findall(search_pattern, file_content_string, flags=re.IGNORECASE)  # find matches

它在以下字符串中工作得很漂亮（包括新行和回车）：

# originaly spe1 but with grd ecl file meddled with for nesting 
include tests

SIMULATION
  SIMULATION_TYPE SUBSURFACE
  PROCESS_MODELS
    SUBSURFACE_FLOW Flow
      MODE BLACK_OIL
      OPTIONS
       ANALYTICAL_JACOBIAN
       ISOTHERMAL
      /
    / ! end of subsurface_flow
  / ! end of process models
  CHECKPOINT
  /
END  !! end simulation block

SUBSURFACE

external_file example1.dat

include example2.dat

匹配包含：

matches = [example1.dat，example2.dat]

但是对于像以下仅包含关键字和其他文本的简单字符串而言，它是失败的：

external_file example3.dat

include example4.dat

返回一个空数组或只是最后一项（有点随机）：

matches = [example4.dat]或matches = []

任何想法？ 谢谢。

UPDATE

好的，修改导入文本后：

external_file example3.dat

include example4.dat

database example5.dat

我已经意识到我的匹配数组只缺少第一项：

matches = [example4.dat，example5.dat]

如何修改正则表达式以包含example3.dat？

Answer 1

我会解决它略有不同。

import re
test1 = """include tests

SIMULATION
  SIMULATION_TYPE SUBSURFACE
  PROCESS_MODELS
    SUBSURFACE_FLOW Flow
      MODE BLACK_OIL
      OPTIONS
       ANALYTICAL_JACOBIAN
       ISOTHERMAL
      /
    / ! end of subsurface_flow
  / ! end of process models
  CHECKPOINT
  /A
END  !! end simulation block

SUBSURFACE

external_file example1.dat

include example2.dat"""

test2 = """external_file example3.dat

include example4.dat"""

token = re.findall(r'\S+', test1)
token
>>>['include',
 'tests',
 'SIMULATION',
 'SIMULATION_TYPE',
 'SUBSURFACE',
 'PROCESS_MODELS',
 'SUBSURFACE_FLOW',
 'Flow',
 'MODE',
 'BLACK_OIL',
 'OPTIONS',
 'ANALYTICAL_JACOBIAN',
 'ISOTHERMAL',
 '/',
 '/',
 '!',
 'end',
 'of',
 'subsurface_flow',
 '/',
 '!',
 'end',
 'of',
 'process',
 'models',
 'CHECKPOINT',
 '/',
 'END',
 '!!',
 'end',
 'simulation',
 'block',
 'SUBSURFACE',
 'external_file',
 'example1.dat',
 'include',
 'example2.dat']

当你对你的话语进行了标记时，我会构建二元语法

bi_grams = [(a,b) for a,b in zip(token[:-1], token[1:]) ]

然后过滤那些包含文件标记的二元组作为第一个条目

file_tokens = ('DATABASE', 'EXTERNAL_FILE', 'FILE', 'FILENAME', 'INCLUDE')
bi_grams_of_interest = [bi_gram for bi_gram in bi_grams if bi_gram[0].upper() in file_tokens]
bi_grams_of_interest
>>>[('include', 'tests'),
 ('external_file', 'example1.dat'),
 ('include', 'example2.dat')]

如果你为test2运行它我得到以下输出

>>>[('external_file', 'example3.dat'), ('include', 'example4.dat')]

Answer 2

你需要用^替换\\n并将re.M添加到标志：

r'(?mi)^\s*(?:{})\s+(\S+)'.format('|'.join(file_tokens))

现在， ^\\s*将匹配一行的开头，然后匹配0或更多的空格。

查看Python演示 ：

import re

file_content_string="""external_file example3.dat

include example4.dat

database example5.dat"""

file_tokens = ('DATABASE', 'EXTERNAL_FILE', 'FILE', 'FILENAME', 'INCLUDE')
search_pattern = r'^\s*(?:{})\s+(\S+)'.format('|'.join(file_tokens))
matches = re.findall(search_pattern, file_content_string, flags=re.I|re.M) 
print(matches)

输出： ['example3.dat', 'example4.dat', 'example5.dat']