如何使用regex组读取cedict（一个空格分隔的文件）？

Question

{a1}是用于分析的中文文本

文件纯文本文件如下所示：

# CC-CEDICT
# Community maintained free Chinese-English dictionary.
# 
# Published by MDBG
% % [pa1] /percent (Tw)/
21三體綜合症 21三体综合症 [er4 shi2 yi1 san1 ti3 zong1 he2 zheng4] /trisomy/Down's syndrome/
3C 3C [san1 C] /abbr. for computers, communications, and consumer electronics/China Compulsory Certificate (CCC)/
3P 3P [san1 P] /(slang) threesome/
A A [A] /(slang) (Tw) to steal/

文件有4列，用空格隔开。第四个空格之后的任何空格都被认为是一个。需要跳过以#开头的行。在

例如，对于生产线：

3C 3C [san1 C] /abbr. for computers, communications, and consumer electronics/China Compulsory Certificate (CCC)/

列中的内容将是

• 3摄氏度
• 3摄氏度
• [三合一]
• /计算机、通信和消费电子产品缩写/中国强制认证（CCC）/

目前，我尝试使用str.split和re.findall混合使用str.startswith()跳过行，即：

^{pr2}$

看起来str和regex操作可以类似于单个regex，并且可以使用组提取列。如何使用regex组读取cedict（一个空格分隔的文件）？

---

我还尝试了4组正则表达式：

(.*)\s(.*)\s(\[([^]]*)\])\s(\/.*\/)

但不知何故，第一个(.*)\s是贪婪的，它捕获了整行：https://regex101.com/r/1c0O0E/1

---

我试过了：

.+\s(\[([^]]*)\])\s(\/.*\/)

第一个.+\s捕获直到它看到[。但这意味着我必须使用str.split()来获取前2列。在

Answer 1

使用“non-space”（\S）而不仅仅是“anything”（.）：

^(\S+)\s+(\S+)\s+(\[[^]]+\])\s+(\/.*\/)$

我还添加了文本开头和测试结束锚（^&；$）以排除与所需模式不匹配的任何行（例如注释行）。在

演示：https://regex101.com/r/0QNzVi/3