5

我最近决定跳入 Python 池的最深处，开始将我的一些 R 代码转换为 Python，但我被困在对我来说非常重要的事情上。在我的工作中，我花费大量时间解析文本数据，众所周知，文本数据非常非结构化。结果，我开始依赖正则表达式的环视功能，而 R 的环视功能非常强大。例如，如果我正在解析一个 PDF，当我对文件进行 OCR 时，它可能会在字母之间引入一些空格，我会得到我想要的值，如下所示：

oAcctNum <- str_extract(textBlock[indexVal], "(?<=ORIG\\s?:\\s?/\\s?)[A-Z0-9]+")

在 Python 中，这是不可能的，因为使用?使lookbehind 成为可变宽度的表达式，而不是固定宽度的表达式。这个功能对我来说非常重要，它阻止了我想要使用 Python，但我不想放弃这种语言，我想知道 Pythonista 解决这个问题的方法。在提取文本之前我是否必须预处理字符串？像这样的东西：

oAcctNum = re.sub(r"(?<=\b\w)\s(?=\w\b)", "")
oAcctNum = re.search(r"(?<=ORIG:/)([A-Z0-9])", textBlock[indexVal]).group(1)

有没有更有效的方法来做到这一点？因为虽然这个例子很简单，但这个问题在我处理的数据中以非常复杂的方式出现，我不想对我分析的每一行文本进行这种预处理。

最后，如果这不是问这个问题的正确地方，我深表歉意；我不确定在哪里发布它。提前致谢。

4

3 回答 3

2

在您描述的这种情况下，您需要使用捕获组：

"(?<=ORIG\\s?:\\s?/\\s?)[A-Z0-9]+"

会变成

r"ORIG\s?:\s?/\s?([A-Z0-9]+)"

该值将在.group(1). 请注意，首选原始字符串。

这是一个示例代码：

import re
p = re.compile(r'ORIG\s?:\s?/\s?([A-Z0-9]+)', re.IGNORECASE)
test_str = "ORIG:/texthere"
print re.search(p, test_str).group(1)

IDEONE 演示

除非您需要重叠匹配，否则捕获组的使用情况而不是回顾是相当简单的。

于 2015-07-22T13:14:39.860 回答
2

请注意，如果您可以使用组，则通常不需要lookbehinds。那么怎么样

match = re.search(r"ORIG\s?:\s?/\s?([A-Z0-9]+)", string)
if match:
    text = match.group(1)

在实践中：

>>> string = 'ORIG : / AB123'
>>> match = re.search(r"ORIG\s?:\s?/\s?([A-Z0-9]+)", string)
>>> match
<_sre.SRE_Match object; span=(0, 12), match='ORIG : / AB123'>
>>> match.group(1)
'AB123'
于 2015-07-22T13:16:43.957 回答
0 
print re.findall(r"ORIG\s?:\s?/\s?([A-Z0-9]+)",test_str)

您可以直接使用findallwhich 将返回正则表达式中的所有组（如果存在）。

于 2015-07-22T13:25:23.617 回答