如何使用 RegEx 提取模式之间的文本列表？

Posted 2023-02-15

【中文标题】如何使用 RegEx 提取模式之间的文本列表？

【英文标题】：How to extract the list of text between the pattern using RegEx?

【发布时间】：2022-01-13 03:16:04

【问题描述】：

我有这样的文字：

05/06/21 05/06/21 Margin Div/Int - Income ACTIVISION BLIZZARD INC

COM
Payable: 05/06/2021
QUALIFIED DIVIDENDS 23.50 

ATVI - 0.00 23.50 (9,425.77)

05/13/21 05/13/21 Margin Div/Int - Income APPLE INC
COM
Payable: 05/13/2021
QUALIFIED DIVIDENDS 6.16 

AAPL - 0.00 6.16 (9,419.61)

05/28/21 05/28/21 Margin Div/Int - Income STARBUCKS CORP
COM
Payable: 05/28/2021
QUALIFIED DIVIDENDS 18.00 

SBUX - 0.00 18.00 (9,401.61)

05/28/21 05/28/21 Margin Div/Int - Expense MARGIN INTEREST CHARGE
Payable: 05/28/2021 

 - - 0.00 (73.03) (9,474.64)

我想提取单个记录，例如：

05/06/21 05/06/21 Margin Div/Int - Income ACTIVISION BLIZZARD INC

COM
Payable: 05/06/2021
QUALIFIED DIVIDENDS 23.50 

ATVI - 0.00 23.50 (9,425.77)

和

05/13/21 05/13/21 Margin Div/Int - Income APPLE INC
COM
Payable: 05/13/2021
QUALIFIED DIVIDENDS 6.16 

AAPL - 0.00 6.16 (9,419.61)

和

05/28/21 05/28/21 Margin Div/Int - Expense MARGIN INTEREST CHARGE
Payable: 05/28/2021 

 - - 0.00 (73.03) (9,474.64)

这里每条记录的模式应该以 date(\d+/\d+/\d) 开头并以 (\n\n\d+/\d+/\d) 结尾

我试过(re.findall(r'\d+/\d+/\d(.*?)\n\n\d+/\d+/\d+',a))。但它并没有按预期工作

【问题讨论】：

您提到了“以(\n\n\d+/\d+/\d) 结尾”，但您的预期输出以\n\n 结尾。哪个是正确的？

请在代码块中显示源文本，并将换行符作为实际的换行符，而不是\n，因为这更容易在视觉上解析（我们不是计算机！）。同样，请提供一个您希望作为单个项目提取的输入片段的示例。

更新了@Inigo...！

@SreeKumar，有可能在中间有日期，这就是为什么我提到它应该以 '\n\n\d+/\d+/\d' 结尾

@codingIsInteresting 谢谢。我更进一步。这对人们来说更容易阅读/理解/查看/解析/使用:)

【参考方案1】：

您可以在字符串的开头匹配类似日期的模式，并重复所有不以匹配类似日期的模式开头的行。

^\d+/\d+/\d+ .*(?:\n(?!^\d+/\d+/\d+ ).*)*

模式匹配：

^ 字符串开始 \d+/\d+/\d+ 匹配日期样模式和空格 .* 匹配该行的其余部分 (?:非捕获组 \n(?!^\d+/\d+/\d+ ).* 如果换行符不是以类似模式的日期开头，则匹配换行符和其余行 )*关闭非捕获组并选择性地重复它

查看regex demo 和Python demo。

使用可以使用 re.findall 获取所有匹配项：

import re

pattern = r"^\d+/\d+/\d+ .*(?:\n(?!^\d+/\d+/\d+ ).*)*"
 
s = ("05/06/21 05/06/21 Margin Div/Int - Income ACTIVISION BLIZZARD INC\n\n....")
 
print(re.findall(pattern, s, re.M))

【参考方案2】：

你可以匹配

.+?(?=\s*(?:\d2\/\d2\/\d2 )2|$)

设置了 'g' ("global") 和 's' ("single line" 或 "dot-all") 标志。 's' 使句点匹配所有字符，包括行终止符。

Demo

正则表达式可以分解如下。

.+?                        # match one or more chars, lazily
(?=                        # begin a positive lookahead
  \s*                      # match zero or more whitespaces
  (?:                      # begin a non-capture group 
    \d2\/\d2\/\d2[ ] # match a date string followed by a space
  )2                     # end the non-capture group and execute it twice
|                          # or
  $                        # match the end of the string
)                          # end positive lookahead

【参考方案3】：

您可以将此作为基础并进行更改以获得您需要的确切内容：

\d+\/\d+\/\d+(.*?)\\n\\n(\s+\d+\/\d+\/\d+|$)

你可以在demo试试。

我所做的更改如下：

\n 变为 \\n。 \n\n 和示例文本中的日期之间有一个空格。我在正则表达式中添加了它。 正则表达式中日期的年份部分缺失+。我已经添加了 示例中的最后一部分末尾不包含日期。该支票已包含在内。

【讨论】：

我没有得到最后一个值，也没有提取完成的数据，它跳过了日期

我还需要最后一部分@Sree Kumar

@codingIsInteresting 我为此对模式进行了编辑。猜你没注意到。

我也检查过。抱歉，这不起作用

请检查输出格式。每个列表应以 2 个日期开头，并应以 \n\n 结尾。需要对正则表达式进行细微更改@Sree Kumar