[英]Extracting data according to a list
我正在試圖弄清楚如何根據此列表從字符串中提取一些數據:
check_list = ['E1', 'E2', 'E7', 'E3', 'E9', 'E10', 'E12', 'IN1', 'IN2', 'IN4', 'IN10']
例如,對於此列表:
s1 = "apto E1-E10 tower 1-2 sanit"
我會得到['E1', 'E10']
s2 = "apto IN2-IN1-IN4-E12-IN10 mamp"
為此我得到: ['IN2', 'IN1', 'IN4', 'E12', 'IN10']
然后這變得棘手:
s3 = "E-2-7-3-9-12; IN1-4-10 T 1-2 inst. hidr."
我會得到: ['E2', 'E7', 'E3', 'E9', 'E12', 'IN1', 'IN4', 'IN10']
你能提出一些建議來解決這個問題嗎?
以下應該有效:
def extract_data(s):
check_set = set(['E1', 'E2', 'E7', 'E3', 'E9', 'E10', 'E12',
'IN1', 'IN2', 'IN4', 'IN10'])
result = []
for match in re.finditer(r'\b(E|IN)[-\d]+', s):
for digits in re.findall(r'\d+', match.group(0)):
item = match.group(1) + digits
if item in check_set:
result.append(item)
return result
例子:
>>> extract_data("apto E1-E10 tower 1-2 sanit")
['E1', 'E10']
>>> extract_data("apto IN2-IN1-IN4-E12-IN10 mamp")
['IN2', 'IN1', 'IN4', 'E12', 'IN10']
>>> extract_data("E-2-7-3-9-12; IN1-4-10 T 1-2 inst. hidr.")
['E2', 'E7', 'E3', 'E9', 'E12', 'IN1', 'IN4', 'IN10']
import re
def parse(string):
result = []
for match in re.findall('(E|IN)-{0,1}([\d]+)((-[\d]+)*)', string):
letter = match[0]
numbers = [int(i) for i in [match[1]] + match[2].split('-')[1:]]
for number in numbers:
result.append('%s%d' % (letter, number))
return result
print parse('apto E1-E10 tower 1-2 sanit')
print parse('apto IN2-IN1-IN4-E12-IN10 mamp')
print parse('E-2-7-3-9-12; IN1-4-10 T 1-2 inst. hidr.')
這是一個部分答案,更多的表明我可能會如何開始解決您的問題。
使用“鍵” IN
和E
,我會在字符串中搜索與鍵匹配的模式,后跟任意數量的空格或短划線。
例如:
import re
S = ['apto E1-E10 tower 1-2 sanit','apto IN2-IN1-IN4-E12-IN10 mamp','E-2-7-3-9-12; IN1-4-10 T 1-2 inst. hidr.']
for s in S:
print s
M = re.findall(r'(IN[\d\-]*)', s)
for m in M: print m
M = re.findall(r'(E[\d\-]*)', s)
for m in M: print m
生產:
$ python extract.py apto E1-E10 tower 1-2 sanit E1- E10 apto IN2-IN1-IN4-E12-IN10 mamp IN2- IN1- IN4- IN10 E12- E-2-7-3-9-12; IN1-4-10 T 1-2 inst. hidr. IN1-4-10 E-2-7-3-9-12
然后,我將每個m
並進一步解析。 因此E1-
導致[E1]
和E-2-7-3-9-12
導致[E2,E7,E3,E9,E12]
。
我試圖盡可能地做到這一點:
import re
def make_relist(l):
relist = []
for a in l:
alpha, num = re.match('([a-zA-Z]+)(\d+)', a).groups()
re_string = r'\b{0}({1}|\d*-(\d+-)*{1})\b'.format(alpha, num)
relist.append((a, re.compile(re_string)))
return relist
def extract(s, relist):
return [v for v, r in relist if r.search(s)]
測試:
>>> tokens = ['E1', 'E2', 'E7', 'E3', 'E9', 'E10', 'E12', 'IN1', 'IN2', 'IN4', 'IN10']
>>> relist = make_relist(tokens)
>>> extract("apto E1-E10 tower 1-2 sanit", relist)
['E1', 'E10']
>>> extract("apto IN2-IN1-IN4-E12-IN10 mamp", relist)
['E12', 'IN1', 'IN2', 'IN4', 'IN10']
>>> extract("E-2-7-3-9-12; IN1-4-10 T 1-2 inst. hidr.", relist)
['E2', 'E7', 'E3', 'E9', 'E12', 'IN1', 'IN4', 'IN10']
請注意,如果要從中提取大量字符串,這會變得更有效,因為在這種情況下編譯開銷時間變得無關緊要。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.