根据子字符串索引查找内容

Posted 2023-03-12

【中文标题】根据子字符串索引查找内容

【英文标题】：Find the content based on substring indexes

【发布时间】：2018-11-06 15:50:44

【问题描述】：

以下代码根据子字符串的出现（我在这里说关键字）以及与之关联的文本从文件中提取行：

from itertools import count

def find_content_blocks_by_keywords(lines, keywords):
    keyword_indexes = sorted([i for i, line in zip(count(), lines) for 
    keyword in keywords if re.search(keyword, line)])  
    return [lines[i:j] for i, j in zip([0]+keyword_indexes, keyword_indexes+[None])]

这是我的示例文本文件

keywords = ['Total item value', 'Total weight', 'Total volume']
lines = ['Total item value RSX 05,018.88\n',
  'Total weight 90,969 EUR\n',
  'Total volume -97.93 X3 Sca.\n',
  '197.939 X3 Sca.']

要提取的子字符串及其值

result = find_content_blocks_by_keywords(lines, keywords):

样本结果：

[[],
 ['Total item value RSX 05,018.88\n'],
 ['Total weight 90,969 EUR\n'],
 ['Total volume -97.93 X3 Sca.\n', '197.939 X3 Sca.']]

我们可以直接使用re.findall 或任何其他re 方法来实现吗？

由于我的文件中的内容不是固定的，所以无法使用某些正则表达式来提取它。逻辑是，找到关键字并获取它前面的所有内容，除非出现下一个关键字。

【问题讨论】：

下一个关键字之前总是有换行符吗？

@Sven Krüger- 是的

对How to parse complex text files using Python?的任何答案有帮助吗？

@MikeRobins - 谢谢，让我看看。

我不知道你的正则表达式知识水平 :) 所以我只能建议在regexone.com 完成所有课程，阅读regular-expressions.info，regex SO tag description（还有许多其他链接到很棒的在线资源），以及名为 What does the regex mean 的社区 SO 帖子。另外，rexegg.com 值得一看。

【参考方案1】：

这是我建议的修复方法：

from itertools import count
import re

keywords = ['Total item value', 'Total weight', 'Total volume']
lines = ['Total item value RSX 05,018.88\n',
  'Total weight 90,969 EUR\n',
  'Total volume -97.93 X3 Sca.\n',
  '197.939 X3 Sca.']

pat = r'(?m)^(?:0).*(?:[\r\n]+(?!(?:0)).*)*'.format("|".join([re.escape(x) for x in keywords]))
print(re.findall(pat, "\n".join(lines)))

Python demo 的输出：

['Total item value RSX 05,018.88\n', 'Total weight 90,969 EUR\n', 'Total volume -97.93 X3 Sca.\n\n197.939 X3 Sca.']

模式说明

(?m) - re.MULTILINE 修饰符使 ^ 匹配行首 ^ - 行首 (?:0) - 一个

non-capturing group

，将包含

| alternation operator

列出的备选方案（例如Total item value|Total weight|Total volume） .* - 除 LF 以外的任何 0+ 个字符（该行的其余部分） (?:[\r\n]+(?!(?:0)).*)* - 0 次或多次重复： [\r\n]+(?!(?:0)) - 1 个或多个 LF 或/和 CR 符号 ([\r\n]+) 后不跟任何 keywords 项目 .* - 该行的其余部分