有人能告诉我为什么Python中的regex模式在大多数情况下都能工作,但在以下文本中却有困难吗。
模式:
patternd = re.compile(r"""(VFSCAN)[^=]*=s* # first line of a section: (VFSCAN) AT TIME = 1.1800 UP TO 100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200
(d*(?:.d+)?) # group 1 - first number of first line: 1.1800
D+
d+ # second number of first line: 100
s+BUSESs+WITHs+LOWs+VOLTAGEs+(DEVIATION)s+BELOW.*?
D+ # skip second line
(?: # a data line: 18436 [LENZIE 618.0] -0.245 18433 [LENZIE 318.0] -0.245
(?:d+s+[(.+?)]s+S+s*)+ # Component of data line
(?=[rns]+|$)
)+ # This search ends with an empty line
""", re.VERBOSE)
我遇到问题的文本是:
test3 = r'''(VFSCAN) AT TIME = 1.1800 UP TO 100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:
X ----- BUS ------ X VDEV X ----- BUS ------ X VDEV
18436 [LENZIE 618.0] -0.245 18433 [LENZIE 318.0] -0.245
18431 [LENZIE 118.0] -0.214 18435 [LENZIE 518.0] -0.214
18434 [LENZIE 418.0] -0.214 18432 [LENZIE 218.0] -0.214
(VFSCAN) AT TIME = 1.5167 UP TO 100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:
X ----- BUS ------ X VDEV X ----- BUS ------ X VDEV
69036 [DNLP2G21.575] -0.414 69038 [DNLP2G22.575] -0.414
69040 [DNLP2G23.575] -0.414 69032 [DNLP1_G1.575] -0.402
65460 [DIFICULT 230] -0.384 69027 [7MIHL G1.575] -0.355
69076 [HORIZ_G .575] -0.303 67237 [MEDBOWCO 115] -0.301
67940 [STNDPSVC 230] -0.300 65976 [MINERS 34.5] -0.294
65585 [FT CRK1 34.5] -0.261 65584 [FT CRK2 34.5] -0.261
69073 [HIPLN_G .575] -0.214
(VFSCAN) AT TIME = 1.1800 UP TO 100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:
X ----- BUS ------ X VDEV X ----- BUS ------ X VDEV
65191 [BONANZA 24.0] -0.572 65192 [BONANZA 138] -0.434
65194 [CHAPITA 138] -0.433 66278 [RANGELY 138] -0.320
65371 [COVE TP 138] -0.302 79265 [CALAMRDG 138] -0.286
79400 [DES.MINE 138] -0.285 65086 [ASHLEY 69.0] -0.284
79067 [VERNAL 138] -0.277 67257 [MOONLAK269.0] -0.268
67256 [MOONLAK169.0] -0.266 79264 [W.RV.CTY 138] -0.206
'''
我使用"findall"来匹配使用上面模式的文本,并期望提取元组列表。当我运行这个时,我得到:
[('1.1800', 'DEVIATION', 'LENZIE 218.0'), ('1.5167', 'DEVIATION', 'HIPLN_G .575'), ('1.1800', 'DEVIATION', 'W.RV.CTY 138')]
但我的列表中应该有更多匹配的元组。我真正感兴趣的只是提取每次比赛第一行的时间以及方括号"[]"中的所有项目。我应该得到列表中的6+13+12=31个元组。如有任何帮助,我们将不胜感激。
您必须逐行解析此格式,一旦找到匹配项,正则表达式就不会返回到文本中。您希望正则表达式找到重叠的部分(第0行+第2行,然后第0行和第3行,等等),但引擎已经在第0-2行匹配了一些内容,因此下一个匹配findall
将在第2行之后搜索开始。
按行拆分输入,检测标题行和数据行,并相应地解析每一行。然后使用最近解析的标头对数据行进行分组。
使用正则表达式无法完成您想要的操作。(至少,不是在一个正则表达式中)。组或匹配项中的子组数不能是可变的。比较这个正则表达式的简化版本。
p = re.compile('(a(b)+)')
test3 = 'ababbabbbabbbb'
print p.findall(test3)
你想让它返回这样的东西:
[('ab', 'b'), ('abb', 'b', 'b'), ('abbb', 'b', 'b', 'b'), ('abbbb', 'b')]
相反,它返回的是:
[('ab', 'b'), ('abb', 'b'), ('abbb', 'b'), ('abbbb', 'b')]
根据示例数据,您可以使用两遍算法。您可以首先使用原始正则表达式(没有导致它失败的分组)来提取大块文本。然后,使用第二个正则表达式,可以从第一次遍历中找到的块中提取子模式