查找使用正则表达式从字符串中提取文本的模式

Question

我以字符串格式读取数据，如下所示

>>> 26 24 16  Panelboards  10/05/18 26 26 00i  Power Distribution Units – Install  10/05/18

我想将'26 24 16'，'Panelboards'，10/05/18和'26 26 26 00i'，'Power Distribution Units–Install'，10/05/18分离为小节、名称和日期

此外，在每个日期之后，新项目都可以开始。在这种情况下，在2018年5月10日之后，新的小节开始

我已经使用正则表达式过滤掉了子部分，但它在我的数据中创建了非结构化

re.split(r'\d\d \d\d \d\d',sentence)

如果有人有解决方案，可以高效地检索两个项目的这3个功能

此外，由于结构文件中的更改，我不能将两个空格用作正则表达式

Answer 1

你可以用

\b(?P<subsection>\d+(?:\s+\d\w*)+)\s+(?P<name>.*?)\s+(?P<date>\d{1,2}/\d{1,2}/\d{2})\b

见regex demo详细信息：

• \b-字边界
• (?P<subsection>\d+(?:\s+\d\w*)+)-分组“subsection”：一个或多个数字，然后出现一个或多个空格，后跟一个数字，然后是零个或多个单词字符
• \s+-一个或多个空格
• (?P<name>.*?)-组“名称”：零个或多个字符（换行字符除外），尽可能少
• \s+-一个或多个空格
• (?P<date>\d{1,2}/\d{1,2}/\d{2})-组“日期”：一个或两个数字，/，一个或两个数字，/，两个数字
• \b-字边界

见a Python demo：

import re
pattern = r"\b(?P<subsection>\d+(?:\s+\d\w*)+)\s+(?P<name>.*?)\s+(?P<date>\d{1,2}/\d{1,2}/\d{2})\b"
text = "26 24 16  Panelboards  10/05/18 26 26 00i  Power Distribution Units – Install  10/05/18"
print([x.groupdict() for x in re.finditer(pattern, text)])

输出：

[
 {'subsection': '26 24 16', 'name': 'Panelboards', 'date': '10/05/18'}, 
 {'subsection': '26 26 00i', 'name': 'Power Distribution Units – Install', 'date': '10/05/18'}
]

Answer 2

尽可能具体：

/^(\d\d \d\d \d\d) +(.+?) +(\d\d\/\d\d\/\d\d)$/

将组1与小节匹配，将2与名称匹配，将3与日期匹配

如果需要先将字符串拆分为每一行，可以将其挂接到日期的末尾：

\/\d\d\s

Answer 3

尝试：

s = """26 24 16  Panelboards  10/05/18 26 26 00i  Power Distribution Units – Install  10/05/18"""

out = re.split(r"\s{2,}", s)
print(out)

印刷品：

['26 24 16', 'Panelboards', '10/05/18 26 26 00i', 'Power Distribution Units – Install', '10/05/18']

---

编辑：如果要拆分第二项，请使用str.split()和maxsplit=1：

from itertools import chain

s = """26 24 16  Panelboards  10/05/18 26 26 00i  Power Distribution Units – Install  10/05/18"""

out = re.split(r"\s{2,}", s)
out = list(chain(out[:2], out[2].split(maxsplit=1), out[3:]))
print(out)

印刷品：

['26 24 16', 'Panelboards', '10/05/18', '26 26 00i', 'Power Distribution Units – Install', '10/05/18']