Python+；解析自定义配置文件

我有一个相当大的定制配置文件，我需要每周提取一次数据。这是一个“内部”配置文件，不符合任何已知标准，如INI或类似标准

我快速而肮脏的方法是使用re搜索我想要的节标题，然后在此标题下提取我想要的一行或两行信息。事实证明，这是一个相当大的挑战，我认为必须有一种更简单/更可靠的方法来做到这一点，但我一直认为我需要实现一个完整的解析器来解析这个文件，然后只提取我需要的5行数据

“部分”如下所示：

Registry com.name.version =
Registry "unique-name I search for using re" =
    String name = "modulename";
    String timestamp = "not specified";
    String java = "not specified";
    String user = "not specified";
    String host = "not specified";
    String system = "not specified";
    String version = "This I want";
    String "version-major" = "not specified";
    String "version-minor" = "not specified";
    String scm = "not specified";
    String scmrevision = "not specified";
    String mode = "release";
    String teamCityBuildNumber = "not specified";
;

---

Regexp没有状态，因此不能使用它们来解析复杂的输入。但您可以将文件加载到字符串中，使用regexp查找子字符串，然后在该位置剪切字符串

---

在您的情况下，使用re搜索

r'unique-name“\s*=\s*'

，然后在匹配后剪切。然后搜索

r'\n\s*\s*\n'

并在比赛前剪掉。这就为您留下了可以使用另一个regexp切碎的值。

如果您只查找特殊内容，使用regexp就可以了；如果您需要阅读所有内容，您应该为自己构建一个解析器

>> s = ''' ... ''' # as above
>> t = re.search( 'Registry "unique-name" =(.*?)\n;', s, re.S ).group( 1 )
>> u = re.findall( '^\s*(\w+) "?(.*?)"? = "(.*?)";\s*$', t, re.M )
>> for x in u:
       print( x )

('String', 'name', 'modulename')
('String', 'timestamp', 'not specified')
('String', 'java', 'not specified')
('String', 'user', 'not specified')
('String', 'host', 'not specified')
('String', 'system', 'not specified')
('String', 'version', 'This I want')
('String', 'version-major', 'not specified')
('String', 'version-minor', 'not specified')
('String', 'scm', 'not specified')
('String', 'scmrevision', 'not specified')
('String', 'mode', 'release')

编辑：尽管上述版本适用于多个注册表部分，但这里有一个更严格的版本：

t = re.search( 'Registry "unique-name"\s*=\s*((?:\s*\w+ "?[^"=]+"?\s*=\s*"[^"]*?";\s*)+)\s*;', s ).group( 1 )
u = re.findall( '^\s*(\w+) "?([^"=]+)"?\s*=\s*"([^"]*?)";\s*$', t, re.M )

---

我认为您应该创建一个简单的解析器，它使用键字典创建节字典。比如：

#!/usr/bin/python

import re

re_section = re.compile('Registry (.*)=', re.IGNORECASE)
re_value = re.compile('\s+String\s+(\S+)\s*=\s*(.*);')

txt = '''
Registry com.name.version =
Registry "unique-name I search for using re" =
        String name = "modulename";
        String timestamp = "not specified";
        String java = "not specified";
        String user = "not specified";
        String host = "not specified";
        String system = "not specified";
        String version = "This I want";
        String "version-major" = "not specified";
        String "version-minor" = "not specified";
        String scm = "not specified";
        String scmrevision = "not specified";
        String mode = "release";
        String teamCityBuildNumber = "not specified";
'''

my_config = {}
section = ''
lines = txt.split('\n')
for l in lines:
    rx = re_section.search(l)
    if rx:
        section = rx.group(1)
        section = section.strip('" ')
        continue
    rx = re_value.search(l)
    if rx:
        (k, v) = (rx.group(1).strip('" '), rx.group(2).strip('" '))
        try:
            my_config[section][k] = v
        except KeyError:
            my_config[section] = {k: v}

如果你：

print my_config["unique-name I search for using re"]['version']

它将输出：

This I want

---

使用pyparsing的简单解析器可以为您提供类似于反序列化器的功能，让您可以通过键名（如dict）或属性访问字段。以下是解析器：

from pyparsing import (Suppress,quotedString,removeQuotes,Word,alphas,
        alphanums, printables,delimitedList,Group,Dict,ZeroOrMore,OneOrMore)

# define punctuation and constants - suppress from parsed output
EQ,SEMI = map(Suppress,"=;")
REGISTRY = Suppress("Registry")
STRING = Suppress("String")

# define some basic building blocks
quotedString.setParseAction(removeQuotes)
ident = quotedString | Word(printables)
value = quotedString
java_path = delimitedList(Word(alphas,alphanums+"_"), '.', combine=True)

# define the config file sections
string_defn = Group(STRING + ident + EQ + value + SEMI)
registry_section = Group(REGISTRY + ident + EQ + Dict(ZeroOrMore(string_defn)))

# special definition for leading java module
java_module = REGISTRY + java_path("path") + EQ

# define the overall config file format
config = java_module("java") + Dict(OneOrMore(registry_section))

下面是一个使用数据的测试（从数据文件读入config_源）：

印刷品：

['com.name.version', ['unique-name I search for using re', ...
- java: ['com.name.version']
  - path: com.name.version
- path: com.name.version
- unique-name I search for using re: [['name', 'modulename'], ...
  - host: not specified
  - java: not specified
  - mode: release
  - name: modulename
  - scm: not specified
  - scmrevision: not specified
  - system: not specified
  - teamCityBuildNumber: not specified
  - timestamp: not specified
  - user: not specified
  - version: This I want
  - version-major: not specified
  - version-minor: not specified
This I want
release
not specified

---

那么你想提取什么呢？关于这种格式有两个问题：分号是否总是在这样一个“注册表”块末尾的自己的行上？为什么在最上面的一行没有一个呢？第一行总是java模块路径（或者不管你怎么称呼它，我不太懂java），这一部分总是以分号结尾。有时候这甚至可以是一行。这听起来很合理，我会仔细研究一下这个方法，谢谢Aaron。啊！这正好说明我还有很多关于regexp的知识要学！谢谢你！，这很有帮助，也很有教育意义：-）poke，我在理解整个regexp时遇到了一些问题。您的示例似乎找到了正确的部分，但当它到达“；”时，它不会停止在该部分的and处，因此它会继续读取此后的所有部分。有没有可能这样做，我只提取这一个完整的部分？这对我来说是可行的（我在测试中添加了另一个注册表部分），但为了安全起见，我更新了我的帖子，加入了一个更严格的表达式，另外确保只有那些设置行在后面。

['com.name.version', ['unique-name I search for using re', ...
- java: ['com.name.version']
  - path: com.name.version
- path: com.name.version
- unique-name I search for using re: [['name', 'modulename'], ...
  - host: not specified
  - java: not specified
  - mode: release
  - name: modulename
  - scm: not specified
  - scmrevision: not specified
  - system: not specified
  - teamCityBuildNumber: not specified
  - timestamp: not specified
  - user: not specified
  - version: This I want
  - version-major: not specified
  - version-minor: not specified
This I want
release
not specified