如何匹配第一个字母或数字后的所有制表符？

Posted 2023-03-29

【中文标题】如何匹配第一个字母或数字后的所有制表符？

【英文标题】：How to match all tab characters after first letter or number?

【发布时间】：2021-08-30 20:43:47

【问题描述】：

我想使用 REGEX 来匹配出现在第一个字母或数字之后的所有制表符。如下图所示，我有一个分层文本文件，每个级别的类别都标有 TAB (\t) 字符。

经过一些研究，我发现了几乎符合我愿望的正则表达式：

正则表达式：\b[\t]1,\b

问题：

如下图所示，此 REGEX 不会选择出现在以点结尾的字符串（1.、2.、3.、4. ...）之后出现的 TAB。

有谁知道如何在 REGEX 中也包含这种模式？

这是我的示例的部分文本：

    BBHH    Balanço Patrimonial
            1.      ATIVO                                           Assets
                1.1     CIRCULANTE
                1.2     NÃO CIRCULANTE
            2.      PASSIVO                                         Liabilities and Equity
            3.      RECEITAS
            4.      CUSTOS E DESPESAS
                4.1     CUSTOS DE PRODUTOS VENDIDOS E SERVIÇOS
                        4.1.1       CUSTOS DE PRODUTOS VENDIDOS
                            4.1.1.1         CUSTOS DE PRODUTOS VENDIDOS

【参考方案1】：

您可以使用否定的Lookbehinds 来确保制表符不在行首。

尝试以下模式：

(?<!^)(?<!\t)\t+

Demo.

详情：

(?<!^) - 不在行首。 (?<!\t) - 前面没有制表符（避免匹配上面的制表符）。 \t+ - 匹配一个或多个制表符（与\t1, 相同）。

Python 示例：

import re

text = ("\tBBHH\tBalanço Patrimonial\n"
    "\t\t\t1.\t\tATIVO\t\t\t\t\t\t\t\t\t\t\tAssets\n"
    "\t\t\t\t1.1\t\tCIRCULANTE\n"
    "\t\t\t\t1.2\t\tNÃO CIRCULANTE\n"
    "\t\t\t2.\t\tPASSIVO\t\t\t\t\t\t\t\t\t\t\tLiabilities and Equity\n"
    "\t\t\t3.\t\tRECEITAS\n"
    "\t\t\t4.\t\tCUSTOS E DESPESAS\n"
    "\t\t\t\t4.1\t\tCUSTOS DE PRODUTOS VENDIDOS E SERVIÇOS\n"
    "\t\t\t\t\t\t4.1.1\t\tCUSTOS DE PRODUTOS VENDIDOS\n"
    "\t\t\t\t\t\t\t4.1.1.1\t\t\tCUSTOS DE PRODUTOS VENDIDOS\n")

matches = re.finditer(r"(?<!^)(?<!\t)\t+", text, re.MULTILINE)

for matchNum, match in enumerate(matches, start=1):
    print ("Match matchNum was found at pos:start.".
           format(matchNum = matchNum, start = match.start()))

Try it online.

---

附录：

只要缩进仅使用制表符，上述模式就可以工作。如果您的文本文件可能混合了用于缩进的制表符和空格字符，您可以改用以下模式：

\S+(\t+)

在这种情况下，您可以从组 1 中提取匹配的选项卡。或者作为替换，您可以使用 (\S+)\t+ 并替换为 \1 以删除选项卡（或使用 \1x 以将选项卡替换为 @ 987654334@).