如何从python文本中提取列数据(regex)

Question

假设我们有一个文本，其中列标题存储在表单中:

{|
|+ The table's caption
! scope="col" width="20"style="background-color:#cfcfcf;"align="center" | Column header 1
! scope="col" width="20"style="background-color:#ff55ff;"align="center" | Column header 2
! scope="col" | Column header 3
|-
! scope="row" | Row header 1
| Cell 2 || Cell 3
|-
! scope="row" | Row header A
| Cell B
| Cell C
|}

我如何提取所有的列([列标头1， 列标头2， 列标头3])从python文本?

re.findall('*! scope="col" |', text, re.IGNORECASE)

但是它没有起作用。

https://regex101.com/r/PLKREz/6

如何在Python中实现?

Answer 1

您可以在scope="col"的一行中找到最后一个|之后的所有子字符串:

import re
data = """
{|
|+ The table's caption
! scope="col" width="20"style="background-color:#cfcfcf;"align="center" | Column header 1
! scope="col" width="20"style="background-color:#ff55ff;"align="center" | Column header 2
! scope="col" | Column header 3
|-
! scope="row" | Row header 1
| Cell 2 || Cell 3
|-
! scope="row" | Row header A
| Cell B
| Cell C
|}"""
print(re.findall(r'scope="col".*?| ([^|]+)$', data, re.MULTILINE))

打印:

['Column header 1', 'Column header 2', 'Column header 3']