1

谁能告诉我为什么 Python 中的正则表达式模式大部分时间都有效,但对以下文本有困难。

图案:

patternd = re.compile(r"""\(VFSCAN\)[^=]*=\s*    # first line of a section: (VFSCAN) AT TIME =  1.1800 UP    TO  100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200 
(\d*(?:\.\d+)?)                 # group 1 - first number of first line: 1.1800
\D+ 
\d+                             # second number of first line: 100 
\s+BUSES\s+WITH\s+LOW\s+VOLTAGE\s+(DEVIATION)\s+BELOW.*? 
\D+                             # skip second line 
(?:                             # a data line: 18436 [LENZIE 618.0] -0.245 18433 [LENZIE 318.0] -0.245
(?:\d+\s+\[(.+?)\]\s+\S+\s*)+   # Component of data line
(?=[\r\n\s]+|$) 
)+                              # This search ends with an empty line
""", re.VERBOSE)

我遇到问题的文字是:

test3 = r'''(VFSCAN) AT TIME =  1.1800 UP TO  100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:

X ----- BUS ------ X    VDEV       X ----- BUS ------ X    VDEV
18436 [LENZIE 618.0]   -0.245      18433 [LENZIE 318.0]   -0.245     
18431 [LENZIE 118.0]   -0.214      18435 [LENZIE 518.0]   -0.214     
18434 [LENZIE 418.0]   -0.214      18432 [LENZIE 218.0]   -0.214     

(VFSCAN) AT TIME =  1.5167 UP TO  100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:

X ----- BUS ------ X    VDEV       X ----- BUS ------ X    VDEV
69036 [DNLP2G21.575]   -0.414      69038 [DNLP2G22.575]   -0.414     
69040 [DNLP2G23.575]   -0.414      69032 [DNLP1_G1.575]   -0.402     
65460 [DIFICULT 230]   -0.384      69027 [7MIHL G1.575]   -0.355     
69076 [HORIZ_G .575]   -0.303      67237 [MEDBOWCO 115]   -0.301     
67940 [STNDPSVC 230]   -0.300      65976 [MINERS  34.5]   -0.294     
65585 [FT CRK1 34.5]   -0.261      65584 [FT CRK2 34.5]   -0.261     
69073 [HIPLN_G .575]   -0.214     

(VFSCAN) AT TIME =  1.1800 UP TO  100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:

X ----- BUS ------ X    VDEV       X ----- BUS ------ X    VDEV
65191 [BONANZA 24.0]   -0.572      65192 [BONANZA  138]   -0.434     
65194 [CHAPITA  138]   -0.433      66278 [RANGELY  138]   -0.320     
65371 [COVE TP  138]   -0.302      79265 [CALAMRDG 138]   -0.286     
79400 [DES.MINE 138]   -0.285      65086 [ASHLEY  69.0]   -0.284     
79067 [VERNAL   138]   -0.277      67257 [MOONLAK269.0]   -0.268     
67256 [MOONLAK169.0]   -0.266      79264 [W.RV.CTY 138]   -0.206     

'''

我正在使用“findall”使用上面的模式匹配文本,并期望提取一个元组列表。当我运行它时,我得到:

[('1.1800', 'DEVIATION', 'LENZIE 218.0'), ('1.5167', 'DEVIATION', 'HIPLN_G .575'),     ('1.1800', 'DEVIATION', 'W.RV.CTY 138')]

但我应该在我的列表中获得更多匹配的元组。我真的只对提取每场比赛第一行的时间以及方括号“[]”中的所有项目感兴趣。我应该在列表中得到 6+13+12 = 31 个元组。任何帮助,将不胜感激。

4

2 回答 2

2

您必须逐行解析此格式,一旦找到匹配项,正则表达式将不会返回到文本中。您希望正则表达式找到重叠部分(第 0 行 + 第 2 行,然后是第 0 行 + 第 3 行等),但引擎已经在第 0 - 2 行匹配了一些内容,因此下一个匹配findall将搜索行之后的开始2.

按行拆分输入,检测标题行和数据行,并相应地解析每个。然后使用最近解析的标题对数据行进行分组。

于 2012-09-11T16:31:01.767 回答
0

你想要的不能使用正则表达式来完成。(至少,不在单个正则表达式中)。组或匹配中的子组数不能是可变的。比较这个简化版本的正则表达式。

p = re.compile('(a(b)+)')
test3 = 'ababbabbbabbbb'
print p.findall(test3)

您希望它返回如下内容:

[('ab', 'b'), ('abb', 'b', 'b'), ('abbb', 'b', 'b', 'b'), ('abbbb', 'b')]

相反,它返回:

[('ab', 'b'), ('abb', 'b'), ('abbb', 'b'), ('abbbb', 'b')]

根据示例数据,您可以使用两遍算法。您可以首先使用原始正则表达式(没有使其失败的分组)来提取大块文本。然后,使用第二个正则表达式,您可以从第一遍中找到的块中提取子模式。

于 2012-09-11T16:33:23.793 回答