如何使用正则表达式从乱码的文本中提取一些子文本模式？

Question

我有一些文字，其中某些记录（并非全部）中提到了一个人的年龄和性别，例如28M或35 F或29 male或57Female等等。

我编写了以下正则表达式，以检查是否有任何模式匹配输入字符串中跟着M的数字，如果是，则将其打印出来，但是代码不打印任何内容：

import re

text = 'Decision: Standard\r\n\r\n 36M NS\r\nBasic - 500th MP tdb addd cib 250th\r\n\r\nDue Date: Settlement date'

test_search = re.search('[0-9]+M', text)

if test_search:
    print("Age: "+test_search.group(0)+", Gender: "+test_search.group(1))

我希望它印有“ Age: 36, Gender: M 。 但是，它什么也不做-没有错误，没有输出，什么也没有。

我尝试了re.match('[0-9]+F', text) ，也没有任何反应。

另外，我认为我必须写尽可能多的正则表达式（有28M ， 35 F ， 29Male ， 57 female等一个）。 那是正确的方法吗？ 还是有办法一次搜索/查找/匹配所有这些模式？

Answer 1

您可以使用此正则表达式来匹配您提到的所有情况：

results = re.findall(r'(?i)(\d+)\s*([mf]|(?:fe)?male)\b', text)

正则演示

细节：

• (?i) ：忽略大小写修饰符
• (\\d+) ：匹配并捕获组＃1中的1+个数字
• \\s* ：匹配0个或多个空格
• ([mf]|(?:fe)?male) ：匹配或捕获＃2组中的M或F或male或female
• \\b ：单词边界

Answer 2

您可以使用this regex ([0-9]+)\\s?([M|Male|F|Female]+)并在单独的捕获组中捕获年龄和名称。

Python Demo

import re

test_str = r"Decision: Standard\\r\\n\\r\\n 36M NS\\r\\nBasic - 500th MP tdb addd cib 250th\\r\\n\\r\\nDue Date: Settlement date 29 male 57Female 35 F"

pattern = r"([0-9]+)\s?([M|Male|F|Female]+)"

def return_gender_dict(match_obj):
    return { 'age': match_obj[0], 'gender': match_obj[1][0].upper() }

matches = re.findall(pattern, test_str, flags=re.MULTILINE | re.IGNORECASE)

result = [return_gender_dict(match) for match in matches]

print(result)

输出：

[{'age': '36', 'gender': 'M'}, {'age': '29', 'gender': 'M'}, {'age': '57', 'gender': 'F'}, {'age': '35', 'gender': 'F'}]

Answer 3

尝试以下重新

(\d\d)(M|F|Male|Female|\sM|\sF|\sMale|\sFemale)