如何使用正则表达式正确提取数据

Question

我第一次面对正则表达式，我需要从此报告（带有格式设置信息的txt文件）中提取一些数据：

\\ n10：Vikelis M，Rapoport AM。 抗癫痫药作为\\偏头痛的预防剂的作用。 中枢神经系统药物。 2010 Jan 1; 24（1）：21-33。 doi：\\ n10.2165 / 11310970-000000000-00000。 评论。 PubMed PMID：20030417。\\ n \\ n \\ n21：Johannessen Landmark C，Larsson PG，Rytter E，Johannessen SI。 抗癫痫药\\用于癫痫和其他疾病的药物-基于人群的处方研究。\\ n癫痫病研究。 2009年11月； 87（1）：31-9。 Epub 2009年8月13日。PubMed PMID：19679449。\\ n \\ n \\ n

如您所见，所有txt记录都以“ xx：”开头，并始终以“ PubMed PMID：dddddddd”结尾，但是使用RegEx像这样：

regex = re.compile(r"^\d+: .+ PMID: \d{8}.$")
regex.findall(inputfile)

给我一个大字符串列表，所以我误会了。 如何从这些记录中提取数据？

Answer 1

使用.+? 用于非贪婪匹配，而不是.+ ，这会使您贪婪匹配。 您还需要re.DOTALL以确保您的. 匹配需要匹配的行尾字符，然后重新匹配re.MULTILINE确保^和$匹配的开始和结束是行，而不仅仅是整个字符串。 有问题的选项需要与“位或” | 运算符并作为re.compile的第二个参数传递。

Answer 2

如果记录与示例中显示的一致，则无需使用正则表达式。 将文本文件简单划分为令牌列表即可解决问题。 例如：

txt = '\n10: Vikelis M, Rapoport AM. Role of antiepileptic drugs as preventive agents for \nmigraine. CNS Drugs. 2010 Jan 1;24(1):21-33. doi:\n10.2165/11310970-000000000-00000. Review. PubMed PMID: 20030417.\n\n\n21: Johannessen Landmark C, Larsson PG, Rytter E, Johannessen SI. Antiepileptic\ndrugs in epilepsy and other disorders--a population-based study of prescriptions.\nEpilepsy Res. 2009 Nov;87(1):31-9. Epub 2009 Aug 13. PubMed PMID: 19679449.\n\n\n'

lines = [token.replace('\n', '') for token in txt.split('.')]
for line in lines:
    print line

将逐行打印参考的每个元素：

10: Vikelis M, Rapoport AM
 Role of antiepileptic drugs as preventive agents for migraine
 CNS Drugs
 2010 Jan 1;24(1):21-33
 doi:10
2165/11310970-000000000-00000
 Review
 PubMed PMID: 20030417
21: Johannessen Landmark C, Larsson PG, Rytter E, Johannessen SI
 Antiepilepticdrugs in epilepsy and other disorders--a population-based study of prescriptions
Epilepsy Res
 2009 Nov;87(1):31-9
 Epub 2009 Aug 13
 PubMed PMID: 19679449

同样，如果您可以相信记录的第一行包含作者； 第二个是标题，第三个是期刊，等等，您也许可以很快完成。 如果信息有点“上下文”，那么您可以在此时开始使用regexp。

祝好运。