我正试图从汤森路透科学网(Thomson Reuters Web of Science)中提取出出版年份的ISI风格数据。“出版年”的行如下所示(在行的开头):
PY 2015
对于我正在编写的脚本,我定义了以下regex函数:
import re
f = open('savedrecs.txt')
wosrecords = f.read()
def findyears():
result = re.findall(r'PY (\d\d\d\d)', wosrecords)
print result
findyears()
然而,这会产生假阳性结果,因为模式可能出现在数据的其他地方。
所以,我只想匹配一行开头的模式。通常我会为此使用^
,但是r'^PY (\d\d\d\d)'
无法匹配我的结果。另一方面,使用\n
似乎可以达到我的目的,但这可能会导致我的进一步复杂化。
在这种特殊情况下,不需要使用正则表达式,因为搜索的字符串始终是“PY”,并且应该在行首,因此可以使用
string.find
来执行此作业。find
函数返回在给定字符串或行中找到子字符串的位置,因此如果在字符串的开头找到子字符串,则返回值为0(如果根本没有找到,则返回值为-1),即:也许把空白处去掉是个好主意,即:
下一步,如果对年份感兴趣,则可以使用split提取,即:
与
re.M
一起使用re.search
:见IDEONE demo
说明:
^
-行的开始(由于re.M
)PY
-文字PY
\s+
-1或更多空白(\d{4})
-捕获组包含4位数字应该有用的,如果不行就告诉我。我没有你的数据。
相关问题 更多 >
编程相关推荐