使用可选字符串查找最接近的文本

Question

我有类似的查询，只是模式中有一些可选的数字(传真号码(。

content = """Generator London ABC / FI9
Phone [phone]
E-Mail [e-mail]
Fax
Generate order no 546465438
Generate order date 29.04.2018
Country of Use
Page 1/ 3
Generator London ABC  / FI9
Phone [phone]
E-Mail [e-mail]
Fax
Generate order no 4504967662
Generate order date 29.01.2018
Country of Use
Page 2/ 3
Payment terms:
30 days - 2 %, 45 days net
Supplier
Generator London ABC  / 3I9
Phone [phone]
E-Mail [e-mail]
Fax [phone] 
XI54545454 ZI41 8263 8815 1100
[phone]
Total Profit Total Budget
...
"""

观察最后一次出现的传真，传真号码不一致，但Fax字符串始终保留。

我有数百个这种格式的文件，必须在传真(传真号除外(和总利润之间提取确切的文本。

$re.findall(r'Faxs((?:(?!Fax).)*?)Total', content , re.DOTALL|re.M)
['+07023400800 1234nXI54545454 ZI41 8263 8815 1100n+2939 218932 000n']

如何通过改进正则表达式模式来摆脱传真号码的使用。

预期成果：

['XI54545454 ZI41 8263 8815 1100n+2939 218932 000n']

我不想使用手动文本处理，例如 [result[0].split(''([1：]]，因为这是我的通用方法。

我自己尝试了一些模式，但没有运气。

Answer 1

我建议匹配Fax行上第一个单词的文本，然后匹配它后面的整行而不捕获，然后捕获任何不以Fax或Total开头的行，直到以Total开头的行：

re.findall(r'(?m)^Faxb.*((?:[rn](?!Total|Fax).*)+)[rn]Total', s)

请参阅正则表达式演示。您可能必须从中去除空格，但它比^Fax[^nr]*[rn]+((?:(?!Fax).)*?)[rn]Total更有效、更精确，因为这将阻止以Fax和Total开头的行之间的任何位置与Fax匹配。

详

• (?m)-re.MULTILINE内联修饰符
• ^- 行的起点
• Faxb- 一个完整的单词Fax
• .*- 行的其余
部分
• ((?:[rn](?!Total|Fax).*)+)- 捕获组 1：一个或多个重复
  • [rn]- CR 或 LF 符号
  • (?!Total|Fax)- 不跟Total或Fax(替换为(?!(?:Total|Fax)b)以仅将它们作为整个单词匹配(
  • .*- 行的其余
  部分
• [rn]- CR 或 LF
• Total- 单词Total(添加b以需要整个单词，Totalb(

Answer 2

尝试以下操作：-

import re
content = """Generator London ABC / FI9
Phone [phone]
E-Mail [e-mail]
Fax
Generate order no 546465438
Generate order date 29.04.2018
Country of Use
Page 1/ 3
Generator London ABC  / FI9
Phone [phone]
E-Mail [e-mail]
Fax
Generate order no 4504967662
Generate order date 29.01.2018
Country of Use
Page 2/ 3
Payment terms:
30 days - 2 %, 45 days net
Supplier
Generator London ABC  / 3I9
Phone [phone]
E-Mail [e-mail]
Fax [phone] 
XI54545454 ZI41 8263 8815 1100
[phone]
Total Profit Total Budget
...
"""
print re.findall(r'Faxs[+0-9s]+((?:(?!Fax).)*?)Total', content , re.DOTALL|re.M)

在这里，我们将传真的正则表达式更新为 [+0-9\s]，以便它将考虑数字中任何空格的"+"、"0-9"数字和 \s。希望这会有所帮助。