用python正则表达式拆分句子中的不同部分

Question

我有1000000个PDF文件，我想从中搜集数据并建立一个数据库。对它们进行刮削产生了如下数据：

 Mobile: 98-912-7990154Home: 98-21-44157129ppouriya@yahoo.comUnit 12 - No. 15 - West 19th Alley - South Varzi St. -West Ferdows Blvd. - Sadeghiyeh Sq.1483676479,Tehran

如何拆分它们并获得如下数据：

Mobile: 98-912-7990154
Home: 98-21-44157129
Email: ppouriya@yahoo.com
Address : Unit 12 - No. 15 - West 19th Alley - South Varzi St. -West Ferdows Blvd. - Sadeghiyeh Sq.1483676479,Tehran

Answer 1

所以你有一个分割线的“标记”，比如Home，Email，Address

如果您使用的是regex，您可以找到word的位置

[(m.start(0), m.end(0)) for m in re.finditer(pattern, string)]

示例：

import re

data = 'Mobile: 98-912-7990154Home: 98-21-44157129ppouriya@yahoo.comUnit 12 - No. 15 - West 19th Alley - South Varzi St. -West Ferdows Blvd. - Sadeghiyeh Sq.1483676479,Tehran'
p = re.search("Home", data)

然后返回单词Home的位置。起始位置是p[0]，因此您也可以使用此信息拆分data