使用长正则表达式公式解析自由文本导致错误：python 中的多次重复？ 包括截图

Question

我需要从 .xlsx 文件中的自由文本字段中解析特定字符串。 我在 Spyder 中使用 Python 2.7。

编辑：我逃脱了“。” 在正则表达式公式中，但我仍然遇到同样的错误。

为此，我使用 pandas 将 .xslx 文件转换为 pandas dataframe：

data = "complaints_data.xlsx"
read_data = pd.read_excel(data)
read_data.dropna(inplace = False)
df = pd.DataFrame(read_data)
df['FMEA Assessment'] = df['FMEA Assessment'].replace({',':''}, regex=True)

然后，我使用 pandas 的提取 function 使用正则表达式模式提取我的字符串字段 FMEA、Rev 和 Line。

fmea_pattern = r'(FMEA\s*\d*\d*\d*\d*\d*|fmea\s*\d*\d*\d*\d*\d*|DOC\s*\-*[0]\d*\d*\d*\d*\d*|doc\s*\-*[0]\d*\d*\d*\d*\d*)'
df[['FMEA']] = df['FMEA Assessment'].str.extract(fmea_pattern, expand=True)

rev_pattern = r'(Rev\.*\s+\D{1,2}+|rev\.*\s+\D{1,2}|REV\.*\s+\D{1,2}|rev\.*\s+\D{1,2})'
df[['REV']] = df['FMEA Assessment'].str.extract(rev_pattern, expand=True)



line_pattern = r'(line item\.*\s*\:*\d{1,3}\d*\.*\D*\.*\d+\d*?\.|Line\.*\s*\:*\d{1,3}\d*\.*\D*\.*\d+\d*?\.|lines\.*\s*\:*\d{1,3}\d*\.*\D*\.*\d+\d*?\.|Lines\.*\s*\:*\d{1,3}\d*\.*\D*\.*\d+\d*?\.|Line item\.*\s*\:*\d{1,3}\d*\.*\D*\.*\d+\d*?\.|LINES\.*\s*\:*\d{1,3}\d*\.*\D*\.*\d+\d*?\.|LINE\.*\s*\:*\d{1,3}\d*\.*\D*\.*\d+\d*?\.)'
df[['LINE']] = df['FMEA Assessment'].str.extract(line_pattern, expand=True)   

我需要解析的字符串字段可以通过多种方式输入，并且我在正则表达式公式中考虑了每种方式以及单词的每个变体； 例如，我计算了线、线、线、线、线等。我已经单独和单独测试了正则表达式公式，它们工作正常。 但是，当我在上面的代码中组合所有这些时，我收到以下错误消息：

错误消息截图

你能帮我解决这个问题吗？

此外，是否有另一种方法可以同时解释同一个单词的变体（小写、大写和标题大小写）？

谢谢！

Answer 1

这种情况下的主要错误是由于您使用的是所有格量词而不是常规的非所有格量词。

当用户在在线 PCRE 正则表达式测试器中测试他们的模式时，这是一个常见的错误。 您需要确保始终在与您的目标环境兼容的环境（或使用正则表达式引擎选项）中测试您的正则表达式。

Python re不支持所有格量词：

{5}+
{5,}+
{5,10}+
++
?+
*+

在这种情况下，您只需要从\D{1,2}+中删除尾随+ ：

rev_pattern = r'(Rev\.*\s+\D{1,2}|rev\.*\s+\D{1,2}|REV\.*\s+\D{1,2}|rev\.*\s+\D{1,2})'

看来你可以只使用

rev_pattern = r'((?:[Rr]ev|REV)\.*\s+\D{1,2})' # Will only match Rev, REV and rev at the start
rev_pattern = r'(?i)(Rev\.*\s+\D{1,2})' # Will match any case variations of Rev

请参阅 Regex101 上的正则表达式演示，注意左侧选择的Python选项。

另外，请注意，可以通过在模式的开头添加(?i)或使用re.I或re.IGNORECASE arguments 编译正则表达式来使整个模式不区分大小写。 这将“同时考虑同一单词的变体（小写、大写和标题大小写）”。

注意：如果你真的想使用所有格量词，你可以在正向前瞻和反向引用的帮助下模拟所有格量词。 但是，在 Python 中，您需要re.finditer才能访问整个匹配值。