我是Python的新手，现在我正在尝试从一组包含员工相关统计数据的段落中提取信息。
例如，该段落可能如下所示：
姓名 Rakesh Rao 年龄 34 性别 男性 婚姻状况 单身
整个文本没有被任何逗号分隔，所以我很难将这些信息分开。 此外，有时变量名称后可能会有一个冒号，有时可能没有。例如，在第 1 行中，它是"Name Rakesh Rao"，但在第 2 行中它是"Name: Ramachandra Deshpande"。
这些信息大约有 1400 条记录，因此如果我不必手动分离信息，那就太好了。 谁能帮忙？我将非常感激！
好吧，我想你可以尝试使用正则表达式来做到这一点。 如果你的文字正是这样：
paragraph = 'Name Rakesh Rao Age 34 Gender Male Marital Status Single'
您可以使用此正则表达式(必须先import re(：
m = re.fullmatch(
(
r'Name(?::)? (?P<name>D+) ' # pay attention to the space at the end
r'Age(?::)? (?P<age>d+) '
r'Gender(?::)? (?P<gender>D+) '
r'Marital Status(?::)? (?P<status>D+)' # no space here, since the string ends
),
paragraph
)
然后，您可以使用正则表达式中定义的组的名称，如下所示：
>>> m.group('name')
'Rakesh Rao'
>>> m.group('age')
'34'
>>> m.group('gender')
'Male'
>>> m.group('status')
'Single'
如果所有字段都在一行中，则只需将n替换为正则表达式中的单个空格即可。
请注意，这将支持紧跟在行名后面的单个逗号，如下所示：
Name: Rakesh Rao
但它不支持不同的数据顺序。如果你也愿意，我可以尝试写一个不同的表达式。
表达式的解释
让我们取表达式的第一"行"：
r'Name(?::)? (?P<name>D+) '
首先，为什么r'…'字符串语法？这只是为了避免双反斜杠。在"典型"字符串中，我们需要像这样编写表达式：
'Name(?:\:)? (?P<name>\D+) '
现在，到实际的表达。第一部分，Name，很明显。
(?::)?
这部分创建了一个内部带有冒号的非捕获组((?:…)- 它是:而不仅仅是:，因为冒号本身是正则表达式语法的一部分。非捕获组，因为这个冒号对我们来说真的无关紧要。
然后，在单个空格之后，我们有这个：
(?P<name>D+)
这将创建一个命名组，语法为(?P<name_of_the_group>…)。我使用命名组只是为了方便以后使用m.group('name')提取信息，其中m是一个匹配对象。
D+表示"至少一个非数字字符"。这将捕获所有字母、下划线以及空格。这就是为什么字段的顺序对于这个特定的表达式如此重要的原因。如果您要更改顺序并将Gender字段放在Name和Age之间，它也会捕获它，因为+修饰符是贪婪的。
另一方面，下一个"行"中的d+表示"至少一个数字字符"，因此介于 0 和 9 之间。
我希望这个解释就足够了，但在这个非常有用的网站上，在这里玩这个表达式可能对你有用：
https://regex101.com/r/N5ZJU9/2
我已经为您输入了正则表达式和测试字符串。
您可以匹配可选字符，在您的情况下，使用以下表达式[:]?:。
根据提供的信息，此正则表达式应提取所需的信息：
^Name[:]?s([A-Z][-'a-zA-Z]+)s([A-Z][-'a-zA-Z]+)$
你可以在这里查看。 此正则表达式将匹配两个单词的名称。还包含-'的名称。 在 Python 中，这可能看起来像这样：
regex = r"^Name[:]?s([A-Z][-'a-zA-Z]+)s([A-Z][-'a-zA-Z]+)$"
test_str = ("Name Rakesh Raon"
"Name: Ramachandra Deshpande")
matches = re.finditer(regex, test_str, re.MULTILINE)
您也可以通过上面提供的链接查看此示例。
希望这有帮助。
如果字段名称始终在字符串中，则可以拆分这些字段名称上的字符串。例如：
str_to_split = "Name Rakesh Rao Age 34 Gender Male Marital Status Single"
splitted = str_to_split.split("Age")
name = splitted[0].replace("Name", "")
例如，如果您的文本仍包含其他字符，则可以使用replace(":", "")删除它们。否则，您可以使用 NLTK 工具包从文本中删除所有类型的特殊字符。要小心，因为名称中也可能包含特殊的字符。