正则表达式从括号中获取 id

Question

我正在从 Microsoft 获取有关他们计划的数据，这是数据参考的网页

https://docs.microsoft.com/en-us/azure/active-directory/enterprise-users/licensing-service-plan-reference#feedback

我正在处理表数据，以最初为第一列获取带有 guid 的相应产品，这很容易，但对于最后一列，他们只是在其中使用了中断标记。 这是我的代码。

import requests
from requests.api import head
from bs4 import BeautifulSoup
import pandas as pd
import json
import re

url = "https://docs.microsoft.com/en-us/azure/active-directory/enterprise-users/licensing-service-plan-reference#feedback"

payload = {}
headers = {}

response = requests.request("GET", url, headers=headers, data=payload)
soup = BeautifulSoup(response.content, 'lxml')
table = soup.find( "table" )
df = pd.read_html(str(table))[0]
df = df.drop(labels=['Service plans included'],
  axis='columns')
json_dict = json.loads(df.to_json(orient='records'))
regex = r"([A-Z ]+ \(.*?\))"
microsoft_processed_data = []
for item in json_dict:
    plan_data = item["Service plans included (friendly names)"]
    matches = re.findall(regex, plan_data)
    dict = {}
    for match in matches:
        dict_key = match.split("(", )[1]
        dict_key = dict_key.replace(")", "")
        dict_value = match.split(" (")[0]
        print(dict_key + " : " + dict_value)
        dict[dict_key] = dict_value
    item["Service plans included (friendly names)"] = dict
    microsoft_processed_data.append(item)

with open('data.json', 'w') as f:
    json.dump(microsoft_processed_data, f, indent = 4)

它一直有效，直到他们开始在他们的计划名称中使用括号并且我的正则表达式失败了，这是在一个组中工作。

如果我们考虑这个样本行

在线交换（计划 1） (9aaf7827-d63c-4b61-89c3-182f06f82e5c)

然后根据我的正则表达式，它从封闭括号的开头到结尾获取文本。

所以，我的正则表达式将我获取的数据直到 > EXCHANGE ONLINE（计划 1）

但我希望获取数据直到它的 guid id，然后将字典的名称分开。

这是我的示例预期字典

{
    "EXCHANGE ONLINE (PLAN 1)" : "9aaf7827-d63c-4b61-89c3-182f06f82e5c"
}

Answer 1

尝试： regex = r"([AZ ]+ \\(.*?\\))\\s*\\((.*?)\\)" ，它将给出您正在寻找的值的元组。

让我们只关注\\s*\\((.*?)\\)部分

• \\s* 将匹配任意数量的空白字符
• 然后\\((.*?)\\)将在括号之间取任何东西。

re.findall(regex, text)
[('EXCHANGE ONLINE (PLAN 1)', '9aaf7827-d63c-4b61-89c3-182f06f82e5c')]

如果你想用它创建一个字典，你可以直接将它传递给dict ：

dict(re.findall(regex, text))
{'EXCHANGE ONLINE (PLAN 1)': '9aaf7827-d63c-4b61-89c3-182f06f82e5c'}

Answer 2

([AZ,0-9,\\-,\\(,\\),\\s\\+\\s*\\(.*?\\))

如果有人在 Microsoft Office 365 许可证的未来查看数据集，然后在您的爬虫中使用它来获取每种许可证类型的所有子许可证，则此正则表达式非常完美。