Python 需要Goldilocks regex模式-不要太贪婪，也不要太自私

我有一组字符串可能看起来像这样：

lines_ = ["04/04      1,000.00    Some word132:11bdkljas     14235262634235",
          "04/04        500.00    A simpler phrase           19058453049854",
          "04/04  1,000,000.00    Apply//erklj//1324:123"]

r"(\d{2}/\d{2})\s+([\d,]+\.\d\d)\s+(.+?)(\s+\d+)?"

我正在尝试编写一个正则表达式，它将提取字符串的前三个“元素”。我意识到基于这个例子，我可以简单地使用

re.split（“\s{2，}”）

，然后只获取前三个元素，但我不能保证输入总是有两个或更多的空格分隔我想要的部分。所以我宁愿有一个更健壮的正则表达式来抓取它

我试着用这个：

r"(\d{2}/\d{2})\s+([\d,]+\.\d\d)\s+(.+)(\s+\d+)"

它适用于前两个元素，但不适用于第三个元素，因为没有数字集。因此，我将其调整为：

r"(\d{2}/\d{2})\s+([\d,]+\.\d\d)\s+(.+)(\s+\d+)?"

这适用于第三个元素，但对于前两个元素，它包括第四个元素作为第三个元素的一部分。然后我进一步调整它，使其看起来像这样：

lines_ = ["04/04      1,000.00    Some word132:11bdkljas     14235262634235",
          "04/04        500.00    A simpler phrase           19058453049854",
          "04/04  1,000,000.00    Apply//erklj//1324:123"]

r"(\d{2}/\d{2})\s+([\d,]+\.\d\d)\s+(.+?)(\s+\d+)?"

认为

（.+）

内部的

？

会使它不那么贪婪，不会吞噬最后一个元素。相反，它给了我第三个元素中第一个单词的第一个字母，就是它

我希望最终得到如下输出：

groups_ = [("04/04", "1,000.00", "Some word132:11bdkljas"),
           ("04/04", "500.00", "A simpler phrase"),
           ("04/04", "1,000,000.00", "Apply//erklj//1324:123")]

---

任何关于我在正则表达式中缺少什么的建议都将不胜感激。

将此模式与mg选项结合使用

(\d{2}/\d{2})\s+([\d,]+\.\d\d)\s+(.+?)(?:\s+(\d+)|,|$)  

---

这对您有什么好处

import re
lines_ = ["04/04      1,000.00    Some word132:11bdkljas     14235262634235",
          "04/04        500.00    A simpler phrase           19058453049854",
          "04/04  1,000,000.00    Apply//erklj//1324:123"]

for i, line in enumerate(lines_):
    match = re.search(r'''
        (\d\d/\d\d)    # eg: 04/04
        \s+            # one or more spaces
        ([0-9.,]+)     # digits, with commas and decimal points
        \s+            # one or more spaces
        (.*?)          # "everything else" (non-greedy)
        (\s+\d+)?      # ... optionally followed by one or more 
                       # spaces and a bunch of digits
        $              # end of line
    ''', line, re.VERBOSE)

    if match:
        print i, match.groups()
    else:
        print i, None

当我运行上述命令时，我得到以下输出：

0 ('04/04', '1,000.00', 'Some word132:11bdkljas', '     14235262634235')
1 ('04/04', '500.00', 'A simpler phrase', '           19058453049854')
2 ('04/04', '1,000,000.00', 'Apply//erklj//1324:123', None)

---

有趣。当我尝试这种方法时（尽管对于带有逗号和小数的数字略有不同），它甚至找不到第三个元素。