2

我是正则表达式新手，我需要一些帮助。我有代表表格的文本。我知道它将由 7 列组成：

| int | int mixed with -. | unicode string with everything | float | float | int | float |

问题是浮点数是用千位之间的空格表示的（1234,43 => 1 234,43）。此外，字符串可以包含空格并以数字结尾。我尝试了这样的事情（对于每一行都带有新行字符）：

regex = re.compile(r"(\d+) ([\d.-]+) (.*) ([\d+ ]?\d+,\d+) ([\d+ ]?\d+,\d+) (\d+) ([\d+ ]?\d+,\d+)$", re.UNICODE)
w = regex.findall(line)

不幸的是，它并不适用于所有情况。一些测试数据：

49 602 DSKOD SMCX 262,59 1 131,30 1 1 131,30
49 602 DSKOD SMCX 3 5 262,59 1 131,30 1 1 131,30
50 61-201 łóćźż 1 2 669,50 334,75 1 334,75
51 1-214 AÓŻĆÓDS" 70,35 350,18 3 105,53

我得到的数千个案例是有问题的：

[]
[]
[(u'50', u'61-201', u'\u0142\xf3\u0107\u017a\u017c 1 2', u'669,50', u'334,75', u'1', u'334,75')]
[(u'51', u'1-214', u'A\xd3\u017b\u0106\xd3DS"', u'70,35', u'350,18', u'3', u'105,53')]

在第三个示例中，我希望2字符串的末尾位于下一列。你知道有一些线索如何在 Python 2.7 上正确匹配吗？稍后我将与这个 unicode 战斗。

4

2 回答 2

2

问题是[\d+ ]?。这匹配零个或一个数字加空格。另一个问题是使用空格作为列分隔符和在没有某种引用的字段内，但这适用于您的数据。我还更改了第二列，它有一个额外的.和第三列只抓取非空格字符：

#!python3
# coding: utf-8
import re

data = '''\
49 602 DSKOD SMCX 262,59 1 131,30 1 1 131,30
49 602 DSKOD SMCX 3 5 262,59 1 131,30 1 1 131,30
50 61-201 łóćźż 1 2 669,50 334,75 1 334,75
50 61-201 łóćźż 1 669,50 334,75 1 334,75
51 1-214 AÓŻĆÓDS" 70,35 350,18 3 105,53
'''.splitlines()

regex = re.compile(r"(\d+) ([\d-]+) (.*?) ((?:\d{1,3})?(?:\ \d{3})*,\d{2}) ((?:\d{1,3})?(?:\ \d{3})*,\d{2}) (\d+) ((?:\d{1,3})?(?:\ \d{3})*,\d{2})", re.UNICODE)
for line in data:
    print(regex.match(line).groups())

输出：

('49', '602', 'DSKOD SMCX', '262,59', '1 131,30', '1', '1 131,30')
('49', '602', 'DSKOD SMCX 3', '5 262,59', '1 131,30', '1', '1 131,30')
('50', '61-201', 'łóćźż 1', '2 669,50', '334,75', '1', '334,75')
('50', '61-201', 'łóćźż', '1 669,50', '334,75', '1', '334,75')
('51', '1-214', 'AÓŻĆÓDS"', '70,35', '350,18', '3', '105,53')
于 2013-03-24T17:19:19.237 回答
1

我将把它分成几行：

r = re.compile(r"(\d+) 
                 ([\d.-]+) 
                 ([^ ]*) 
                 ((\d+ ?)+,\d+) 
                 ((\d+ ?)+,\d+) 
                 (\d+) 
                 ((\d+ ?)+,\d+)$", re.UNICODE)

更改在 unicode 部分，不要那么贪婪并避免空格，然后在浮动部分。它将有浮点数没有逗号的问题。

在你的第一行：

In [21]: r.findall(l)
Out[21]: 
[('49',
  '602',
  'DSKODSMCX',
  '2 262,59',
  '262',
  '1 131,30',
  '131', #!
  '1',
  '1 131,30',
  '131')] #!

标有 #! 的行 是额外的捕获，由我用来重复“\d\d\d”模式的嵌套组产生。

在另一个样本上：

In [23]: l2 = '49 602-1 DKSAJ 231 442 123,2 1 123 123,4 1 1 533 123,2'

In [24]: r.findall(l2)
Out[24]: 
[('49',
  '602-1',
  'DKSAJ',
  '231 442 123,2',
  '123',
  '1 123 123,4',
  '123',
  '1',
  '1 533 123,2',
  '123')]
于 2013-03-24T17:21:33.970 回答