Python 使用正则表达式将自由文本解析为dict

我正试图用正则表达式将这种自由文本转换成字典

丙氨酸A（12000单位/千克）、硫胺素D3（1200单位/千克）、烟碱E（70毫克/千克）、锌（70毫克/千克）、锌（45毫克/千克）、铜（硫酸铜（二）、五水合）（10毫克/千克）、碘（2毫克/千克）、碘酸钙（2毫克/千克）、硫酸钠、无水硫酸钠）[sélénite de Na]（0.2 mg/kg），cyaobactin12（0.2%）

我们的想法是抓住关键和价值

• 键：阿拉明A
• 值：12000 UI/kg

或

• 键：铜[五水硫酸铜（II）形态]
• 值：10 mg/kg

我尝试使用以下选项来实现此文本转换：

第一种方法：直接使用regex

（（）\（\d*\.\s*\d*\s*）（UI\/kg | mg\/kg |%）\）

，但我只能正确地隔离值，而不能隔离键

第二种方法：

去掉括号内的“，”，使用这种正则表达式（\[.*），（.\]，它不能准确地捕获[sous forme de sulfate de cuivre（II），pentahydrateé]或[sous forme de'iodate de ca**，**酸酐]

沿着“使列表看起来像列表[“alamine A（12000 UI/kg）”，“硫胺素D3（1200 UI/kg）”…] 3.对于列表中的每个元素，使用更简单的正则表达式作为第一种方法

（.*）\（\d*\.\s*\d*\s*）（UI\/kg | mg\/kg |%）\）

---

我该如何继续？

您可以尝试以下方法：

(?:^|,)(.*?)(\((?:\d*\.*\s*\d*\s*)(?:UI\/kg|mg\/kg|%)\))

当您将其分解时，您将看到键和值的每个“部分”都必须以字符串开头或最后一部分的逗号开头，并带有非捕获组

（？：^ |，）

然后，它将使用非贪婪量词

（.*）\（

）捕获所有内容，直到下一个左括号。这是您的“键”

最后，它将利用您现有的代码捕获您的价值，稍加修改：

(\((?:\d*\.*\s*\d*\s*)(?:UI\/kg|mg\/kg|%)\))

如果要修剪捕获中多余的空格，可以将

\s*

添加到密钥组的任一侧：

(?:^|,)\s*(.*?)\s*(\((?:\d*\.*\s*\d*\s*)(?:UI\/kg|mg\/kg|%)\))

---

好了，我的朋友！我用正则表达式找到每个结果，然后在最后一个

（

）上拆分它们。它覆盖了字符串中的每个异常

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re
text = "alamine A (12 000 UI/kg), thiamine D3 (1 200 UI/kg), niacine E (70 mg/kg), zinc [sous forme d'oxyde de zinc] (70 mg/kg), zinc [sous forme de chélate de zinc d'acides aminés, hydraté] (45 mg/kg), copper [sous forme de sulfate de cuivre (II), pentahydraté] (10 mg/kg), iode [sous forme d'iodate de calcium, anhydre] (2 mg/kg), sélénium [sous forme de sélénite de sodium] (0.2 mg/kg), cyaobactin12 (0.2%)"
my_regex = re.compile(r"([^,]*\[[^\]]*\]\s\([^\)]*\)|[^,]*\([^\)]*\))")
matches = re.findall(my_regex, text)
clean_result = []
for str in matches:
    res = str.rsplit('(', 1)
    clean_result.append((res[0].strip(), res[1][:-1]))

for res in clean_result:
    print "key : " + res[0].decode('utf-8')
    print "value : " + res[1].decode('utf-8')
    print

输出

key : alamine A
value : 12 000 UI/kg

key : thiamine D3
value : 1 200 UI/kg

key : niacine E
value : 70 mg/kg

key : zinc [sous forme d'oxyde de zinc]
value : 70 mg/kg

key : zinc [sous forme de chélate de zinc d'acides aminés, hydraté]
value : 45 mg/kg

key : copper [sous forme de sulfate de cuivre (II), pentahydraté]
value : 10 mg/kg

key : iode [sous forme d'iodate de calcium, anhydre]
value : 2 mg/kg

key : sélénium [sous forme de sélénite de sodium]
value : 0.2 mg/kg

key : cyaobactin12
value : 0.2%

---

让我们从更简单的部分开始：值。 它是用括号括起来的：

（？P\（[^）]+\）

作业即将完成。
我们将在两个组之间添加一个

\s

，作为它们之间的分隔符。
最后，让我们来处理序列分隔符：

（？：（？）？
(?P<value> # Capturing "value" group
  \(       # Matches an opening parentheses
  [^)]+    # Matches one or more non ")" characters
  \)       # Matches a closing parentheses
)

(?P<key>  # Capturing "key" group
  [^[(]+  # One or more non "(" or "[" characters
  (?:     # Non-capturing group
    \[    # An opening bracket
    [^]]+ # One or more non "]" characters
    \]    # A closing bracket
  )?      # Non-capturing group made optional
)

(?:        # Non-capturing group
  (?<=,\s) # Either preceded by a coma and a space
  |^       # Or alternatively beginning the string
)