如何用括号外的逗号拆分字符串?

一种方法是使用 findall 与一个regex,贪婪地匹配的东西,可以在分隔符之间。如:

>>> s = "Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
>>> r = re.compile(r'(?:[^,(]|\([^)]*\))+')
>>> r.findall(s)
['Wilbur Smith (Billy, son of John)', ' Eddie Murphy (John)', ' Elvis Presley', ' Jane Doe (Jane Doe)']

上面的regex匹配一个或多个:

• 非逗号、非开放paren字符
• 以开paren开头、包含0个或多个非闭paren,然后是闭paren的字符串

这种方法的一个奇怪之处是,相邻的分隔符被视为单个分隔符。也就是说,您不会看到空字符串。这可能是一个bug或特性,具体取决于您的用例。

还要注意,正则表达式是 不 适用于有可能嵌套的情况。因此,例如,这将不正确地拆分:

"Wilbur Smith (son of John (Johnny, son of James), aka Billy), Eddie Murphy (John)"

如果需要处理嵌套,最好的办法是将字符串分割成parens、commas和其他东西(本质上是标记化它——这一部分仍然可以用regex完成),然后遍历这些标记重新组合字段,在进行时跟踪嵌套级别(这个跟踪嵌套级别就是正则表达式不能自己执行)。

我认为最好的方法是使用Python的内置 csv 模块。

因为只有csv模块 allows 一个字 quotechar ,您需要对输入进行替换以转换 () 像这样的 | 或 " . 然后确保你使用了适当的方言,然后离开。

s = re.split(r',\s*(?=[^)]*(?:\(|$))', x) 

lookahead将所有内容匹配到下一个左括号或字符串末尾, 敌我识别 中间没有右括号。这样可以确保逗号不在一组括号内。

对人类可读regex的尝试:

import re

regex = re.compile(r"""
    # name starts and ends on word boundary
    # no '(' or commas in the name
    (?P<name>\b[^(,]+\b)
    \s*
    # everything inside parentheses is a role
    (?:\(
      (?P<role>[^)]+)
    \))? # role is optional
    """, re.VERBOSE)

s = ("Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley,"
     "Jane Doe (Jane Doe)")
print re.findall(regex, s)

输出:

[('Wilbur Smith', 'Billy, son of John'), ('Eddie Murphy', 'John'), 
 ('Elvis Presley', ''), ('Jane Doe', 'Jane Doe')]

我的答案不会使用regex。

我认为简单的字符扫描器和状态“ in_actor_name “应该工作。记住然后陈述” iN-ActoTrm名称 “在此状态下以')'或逗号结尾。

我的尝试:

s = 'Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)'

in_actor_name = 1
role = ''
name = ''
for c in s:
    if c == ')' or (c == ',' and in_actor_name):
        in_actor_name = 1
        name = name.strip()
        if name:
            print "%s: %s" % (name, role)
        name = ''
        role = ''
    elif c == '(':
        in_actor_name = 0
    else:
        if in_actor_name:
            name += c
        else:
            role += c
if name:
    print "%s: %s" % (name, role)

输出:

Wilbur Smith: Billy, son of John
Eddie Murphy: John
Elvis Presley: 
Jane Doe: Jane Doe

以下是我过去在这种情况下使用的一种通用技术:

使用 sub 功能 re 以函数作为替换参数的模块。该函数跟踪打开和关闭parens、括号和大括号,以及单引号和双引号,并且仅在这些带括号和带引号的子字符串之外执行替换。然后,您可以用另一个您确定不会出现在字符串中的字符(我使用ASCII/Unicode组分隔符:chr(29)代码)替换无括号/带引号的逗号,然后对该字符执行简单的string.split。代码如下:

import re
def srchrepl(srch, repl, string):
    """Replace non-bracketed/quoted occurrences of srch with repl in string"""

    resrchrepl = re.compile(r"""(?P<lbrkt>[([{])|(?P<quote>['"])|(?P<sep>["""
                            + srch + """])|(?P<rbrkt>[)\]}])""")
    return resrchrepl.sub(_subfact(repl), string)

def _subfact(repl):
    """Replacement function factory for regex sub method in srchrepl."""
    level = 0
    qtflags = 0
    def subf(mo):
        nonlocal level, qtflags
        sepfound = mo.group('sep')
        if  sepfound:
            if level == 0 and qtflags == 0:
                return repl
            else:
                return mo.group(0)
        elif mo.group('lbrkt'):
            level += 1
            return mo.group(0)
        elif mo.group('quote') == "'":
            qtflags ^= 1            # toggle bit 1
            return "'"
        elif mo.group('quote') == '"':
            qtflags ^= 2            # toggle bit 2
            return '"'
        elif mo.group('rbrkt'):
            level -= 1
            return mo.group(0)
    return subf

如果你没有 nonlocal 在您的Python版本中,只需将其更改为 global 并定义 level 和 qtflags 在模块级别。

使用方法如下:

>>> GRPSEP = chr(29)
>>> string = "Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
>>> lst = srchrepl(',', GRPSEP, string).split(GRPSEP)
>>> lst
['Wilbur Smith (Billy, son of John)', ' Eddie Murphy (John)', ' Elvis Presley', ' Jane Doe (Jane Doe)']

这篇文章对我帮助很大。我想用引号外的逗号拆分字符串。我用这个做开胃菜。我的最后一行代码是 regEx = re.compile(r'(?:[^,"]|"[^"]*")+') 这就成功了。多谢。

我当然同意上面的@wogan,使用csv模型是一个很好的方法。已经说过,如果您仍然想尝试一个regex解决方案,请尝试一下,但是您必须使它适应Python方言。

string.split(/,(?=(?:[^\"]*\"[^\"]*\")*(?![^\"]*\"))/)

高温高压

分裂“”

>>> s="Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
>>> s.split(")")
['Wilbur Smith (Billy, son of John', ', Eddie Murphy (John', ', Elvis Presley, Jane Doe (Jane Doe', '']
>>> for i in s.split(")"):
...   print i.split("(")
...
['Wilbur Smith ', 'Billy, son of John']
[', Eddie Murphy ', 'John']
[', Elvis Presley, Jane Doe ', 'Jane Doe']
['']

您可以做进一步的检查以获取那些不随()一起提供的名称。

如果您的数据中有任何错误或噪音,上述答案都不正确。

如果您知道每次数据都是正确的,那么很容易找到一个好的解决方案。但是如果有格式错误会发生什么呢?你想发生什么?

假设有嵌套括号?假设有不匹配的括号?假设字符串以逗号结尾或以逗号开头,或者一行中有两个逗号?

以上所有的解决方案都会产生或多或少的垃圾,并且不会向您报告。

如果由我决定的话,我会从一个非常严格的限制开始,限制“正确”的数据是什么——没有嵌套的括号,没有不匹配的括号,在注释之前、之间或之后没有空段——在我进行验证时进行验证,如果我无法验证,则引发异常。