Python，如何獲取兩個已知單詞之間的子字符串

Question

文字是這樣的：

<CUSTOMER_ID COL_ID>="4000.01">79997/CUSTOMER_ID>

<CUSTOMER_ID COL_ID>="4000.01">799/CUSTOMER_ID> 

我想獲取數字“ 79997”和“ 799”

如何在Python中做到這一點？

我在做PySpark來處理XML文件

Answer 1

您可以使用肯定的后置斷言使用re.findall ：

s  ='<CUSTOMER_ID COL_ID="4000.01">79997</CUSTOMER_ID><CUSTOMER_ID COL_ID="4000.01">799</CUSTOMER_ID>'
data = re.findall(r"(?<=>)(\d+)<",s)
print sum(map(int,data))
80796

查找d\\+一個或多個數字，其后跟一個> ，后跟一個<

Answer 2

如果要解析XML，則應使用XML解析器 。

例如，您可以讀取這樣的文件

<root>
    <CUSTOMER_ID COL_ID="4000.01">79997</CUSTOMER_ID>
    <CUSTOMER_ID COL_ID="4000.01">799</CUSTOMER_ID> 
</root>

通過使用

import xml.dom.minidom
with open("test.xml") as f:
    doc=xml.dom.minidom.parse(f)
result = []
for item in doc.getElementsByTagName("CUSTOMER_ID"):
    result.append(item.firstChild.data)

這給你

>>> result
['79997', '799']

Answer 3

如果單詞是已知的，則可以使用string.replace（）方法：

s2 = s1.replace("foo1", "foo2")

將用“ foo2”替換s1中所有出現的“ foo1”並將結果存儲在s2中。

對於您的特定情況，您可以用空白字符串替換已知單詞，然后將結果轉換為整數：

#store string in s1
s1 = 'CUSTOMER_ID COL_ID="4000.01">79997</CUSTOMER_ID>'
#replace known strings with blank strings and cast result to integer, store value in s2
s2 = int(s1.replace('CUSTOMER_ID COL_ID="4000.01">', '').replace('</CUSTOMER_ID>', ''))
print s2

79997

我了解到，最好在可能的情況下始終使用字符串方法，並且除非必要，否則避免進入re模塊。