python中的正則表達式：匹配可選子字符串的重復項

Question

我正在開發一個python軟件包，除其他事項外，該軟件包需要處理包含數據集名稱列表的文件，並且需要提取這些名稱的組成部分。

數據集名稱的示例為：

• diskLineLuminosity：halpha：rest：z1.0
• diskLineLuminosity：halpha：rest：z1.0：dust
• diskLineLuminosity：halpha：rest：z1.0：contam_NII
• diskLineLuminosity：halpha：rest：z1.0：contam_NII：contam_OII：contam_OIII
• diskLineLuminosity：halpha：rest：z1.0：contam_NII：contam_OIII：灰塵
• diskLineLuminosity：halpha：rest：z1.0：contam_OII：contam_NII
• diskLineLuminosity：halpha：rest：z1.0：contam_NII：recent

我正在尋找一種使用正則表達式解析數據集名稱的方法，以提取所有數據集信息，包括“ contam_ *”的所有實例的列表（允許零個實例）。 我意識到我可以拆分字符串並使用fnmatch.filter或等效的字體，但是我還需要能夠標記與上述語法不匹配的錯誤數據集名稱。 另外，正則表達式目前在整個包中的相似情況下得到廣泛使用，因此我不希望介紹第二種解析方法。

作為MWE，我用示例數據集名稱拼湊而成：

import re
datasetName = "diskLineLuminosity:halpha:rest:z1.0:contam_NII:recent"
M = re.search("^(disk|spheroid)LineLuminosity:([^:]+):([^:]+):z([\d\.]+)(:recent)?(:contam_[^:]+)?(:dust[^:]+)?",datasetName)

返回：

print M.group(1,2,3,4,5,6,7)
('disk', 'halpha', 'rest', '1.0', None, ':contam_NII', None)

在軟件包中，此正則表達式搜索需要進入類似於以下功能：

def getDatasetNameInformation(datasetName):
    INFO = re.search("^(disk|spheroid)LineLuminosity:([^:]+):([^:]+):z([\d\.]+)(:recent)?(:contam_[^:]+)?(:dust[^:]+)?",datasetName)
    if not INFO:
        raise ParseError("Cannot parse '"+datasetName+"'!")
    return INFO

我仍然re.search使用正則表達式，因此如何修改re.search字符串以成功解析上述所有數據集名稱並提取子字符串中的信息（包括所有污染實例的列表）？

感謝您的任何幫助，您可以提供！

Answer 1

如果您仍在學習正則表達式 （老實說，以后也要這樣做），請養成盡可能多使用verbose模式的習慣，這樣可以使代碼更好，可讀性更高。

也就是說，您可以使用

^
(disk|spheroid)
LineLuminosity:
([^:]+):
([^:]+):
z([\d\.]+)
((?::contam_[^:]+)+)?
(:recent)?
(:dust[^:]*)?

只是稍微改變了順序，並在其contam部分使用了一個非捕獲組，請參閱regex101.com上的演示 。

Answer 2

您可以使用((?::contam_[^:]+)*)捕獲所有這些contam_ ：這將捕獲它們中的所有一個。 然后啟動第二個正則表達式，僅將其應用於該匹配項，然后將該結果用作第一個結果中的嵌套列表：

import re
datasetName = "diskLineLuminosity:halpha:rest:z1.0:recent:contam_NII:contam_NII:dust"
M = re.search("^(disk|spheroid)LineLuminosity:([^:]+):([^:]+):z([\d\.]+)(?::(recent))?((?::contam_[^:]+)*)(?::(dust))?",datasetName)
lst = list(M.groups())
if lst[5]:
    lst[5] = re.findall(":contam_([^:]+)", lst[5])

print(lst)

輸出：

['disk', 'halpha', 'rest', '1.0', 'recent', ['NII', 'NII'], 'dust']