正则表达式提取任意数量的子模式

Question

我的句子具有结构“名称有 digit1 word1、digit2 word2、...和 digitN wordN”，其中子模式“数字词”的数量因句子而异，因此不确定。 最后一个子模式之前有一个“and”。 例如“爱丽丝有 1 个苹果、2 个香蕉、……和 6 个橙子。”

如何在 python 中使用正则表达式提取这些数字和单词？ 我希望 output 如下：

姓名，

数字	单词
数字1	单词1
数字2	字2
...	...
数字N	单词N

我尝试了以下方法：

s = 'Alice has 1 apple, 2 bananas, and 3 oranges.'
import re
matches = re.finditer(r'([Aa-z]+) has (\d) ([a-z]+)( and)*', s)
for match in matches:
  print(match.groups())

但这只会给我（'Alice'，'1'，'apple'，None），缺少'2'，'bananas'，'3'，'oranges'。

Answer 1

如果您想在单个正则表达式中匹配所有内容，则需要这样的内容：

([^\s]+) has (?:(?:,\s+)?(?:and\s+)?(\d+)\s+([^\s,]+)){1,}

正则表达式演示

但是，我不确定 python 是否可以处理重复组。 至少，我还没有找到从 python object 中提取重复组的方法。

所以这是我建议解决问题的方法：

import re

s = 'Alice has 1 apple, 2 bananas, and 3 oranges.'

matches = re.match(r'^([^\s]+)', s)
print(f'Name: {matches.group(0)}')

matches = re.findall(r'(?:(?:,\s+)?(?:and\s+)?(\d+)\s+([^\s,]+))', s)

for match in matches:
    print(f'{match[0]} - {match[1]}')

样品 Output

Name: Alice
1 - apple
2 - bananas
3 - oranges.

Process finished with exit code 0

正则表达式说明

^([^\s]+) - 很少有不同的方法来解决这个问题，但它只是抓取所有内容，直到字符串中的第一个空格。

(?:           - Non-capturing group
 (?:,\s+)?    - Optionally allow the string to have a `,` followed by spaces
 (?:and\s+)?  - Optionally allow the string to contain the word `and` followed by spaces
 (\d+)        - Must have a number
 \s+          - Spaces between number and description
 ([^\s,]+)    - Grab the next set of characters and stop when you find a space or comma. This should be the word (e.g. apple)
)

第二个正则表达式只是确保您可以提取1 apple的各种 forms 。 所以它基本上会匹配以下模式：

• 1 apple
• , 1 apple
• , and 1 apple
• and 1 apple

作为旁注，从长远来看，解析器更适合这些问题。 你在句子中得到了更多的变化，并且使用简单的正则表达式开始变得非常难以解析。

Answer 2

使用PyPi 正则表达式。

参见 Python 代码：

import regex
s = 'Alice has 1 apple, 2 bananas, and 3 oranges.'
matches = regex.finditer(r'(?P<word1>[A-Za-z]+) has(?:(?:\s+|,\s+|,?\s+and\s+)?(?P<number>\d+)\s+(?P<word2>[a-z]+))*', s)
for match in matches:
  print(match.capturesdict())

结果： {'word1': ['Alice'], 'number': ['1', '2', '3'], 'word2': ['apple', 'bananas', 'oranges']}