代码之家 › 专栏 › 技术社区 › Gopal Chitalia

使用正则表达式从字符串中提取文本

regex python

Gopal Chitalia · 技术社区 · 8 年前

我有一根很大的绳子。这个字符串中有许多段落。每个段落以标题 特殊模式。

== Title1 == // Paragraph starts ............. ............. // Some texts ............. End of Paragraph ===Title2 === // Paragraph starts ............. ............. // Some texts .............

标题的格式是:

标题以等于(=)开头,可以后跟任意数量的=。

2.)在=之后,可以有一个空格(虽然不需要),后面跟着文本。

3.)文本完成后,可以再次有一个空格(不需要),后跟任意数量的等于(=)。

(4)现在段落开始。我必须提取文本,直到它遇到类似的模式。

有人能帮我怎么处理regex吗?短暂性脑缺血发作

4 回复 | 直到 8 年前

Wiktor StribiÅ¼ew 8 年前

你可以用

re.findall(r'(?m)^=+[^\S\r\n]*(.*?)[^\S\r\n]*=+\s*(.*(?:\r?\n(?!=+.*?=).*)*)', s)

regex demo

细节

(?m)^ -线的起点
=+ = 字符
[^\S\r\n]* -除了CR和LF之外,没有或多个空白字符
(.*?) -第1组:除换行符以外的任何零个或多个字符,尽可能少
-除了CR和LF之外,没有或多个空白字符
=+ = 字符
\s*
(.*(?:\r?\n(?!==+.*?=).*)*) -第2组:
- .*
- (?:\r?\n(?!=+.*?=).*)* -零个或多个序列
  - \r?\n(?!=+.*?=) = =
  - .*

Python demo :

import re

rx = r"(?m)^=+[^\S\r\n]*(.*?)[^\S\r\n]*=+\s*(.*(?:\r?\n(?!=+.*?=).*)*)"
s = "== Title1 ==\n..........................\n.............\nEnd of Paragraph\n===Title2 ===\n.............\n.............\n............."
print(re.findall(rx, s))

输出:

[('Title1', '..........................\n.............\nEnd of Paragraph'), ('Title2', '.............\n.............\n.............')]

utks009 8 年前

这可能有助于找到每个段落的标题和每个段落的行。

text = """== Title1 == // Paragraph starts
.............
............. // Some texts
.............
End of Paragraph
===Title2 === // Paragraph starts
.............
............. // Some texts
.............
"""
import re

reg = re.compile(r'(?:[=]+\s*\w+\s*[=]+)')

for i in text.split('\n'):
    if re.search(reg, i):
        t = re.sub(r'=', '', i)
        print('Title:', t.strip())
    else:
        print('line:', i.strip())

 # Output like this
   Title: Title1  // Paragraph starts
   line: .............
   line: ............. // Some texts
   line: .............
   line: End of Paragraph
   Title: Title2  // Paragraph starts
   line: .............
   line: ............. // Some texts
   line: .............
   line:

Sushant 8 年前

你可以试试这个-

x = "== Title1   ==="
ptrn = "[=]{1,}[\s]{0,}[\w]+[\s]{0,}[=]{1,}"
if re.search(ptrn, x):
    x = x.replace('=', '').strip()

会给你 Title1

x = '== Title1   ===nansnsk fnasasklsanlkas lkaslkans \n== Title2 ==='
titles = [i.replace('=', '').strip() for i in re.findall(ptrn, x)]
# OP ['Title1', 'Title2']

模式是-

"^[=]{1,}[\s]{0,}[\w]+[\s]{0,}[=]{1,}"

[\s]{0,}-零到无限等号之间的匹配

[\w]+-匹配[a-zA-Z0-9_u]一次或多次

= 具有 '' 把它从空间上剥离。你可以试试 regex101 这在测试regex时非常有用

MichaÅ Turczyn 8 年前

1.)新段落标题以等于(=)开头,可以后跟任意数字=。

这可以用 =+ .

2.)在=之后,可以有一个空格(虽然不需要),后面跟着文本。

因此标题的模式变成: =+[^=]+=+\n ,也就是说,至少匹配一个 = ,则某些文本不包括 = =

捕捉这些模式之间的所有内容将为您提供所需的文本。

最后,你的模式应该是: =+[^=]+=+\n([\w\W]+\n)(?==+[^=]+=+\n)

Demo