两个字符串python之间的正则表达式文本

我有一些这样的文字：

CustomerID:1111,

text1

CustomerID:2222,

text2

CustomerID:3333,

text3

CustomerID:4444,

text4

CustomerID:5555,

text5

每个文本有多行

我想将客户id和每个id的文本存储在元组中（例如

（1111，text1）

，

（2222，text2）

，等等）

首先，我使用下面的表达式：

re.findall('CustomerID:(\d+)(.*?)CustomerID:', rawtxt, re.DOTALL)

然而，我只得到

（1111，text1）

，

（3333，text3）

，

（5555，text5）

re.findall(r'CustomerID:(\d+),\s*(.*?)\s*(?=CustomerID:|$)', rawtxt, re.DOTALL)

---

Findall只返回

组

。使用

lookahead

停止

non-greedy

量词。还建议使用

r

或

raw

模式指定正则表达式。如果不使用

lookahead

，则下一个匹配的

customerid

将被消耗，因此下一个匹配将不存在。必须通过使用不使用

字符串的
lookahead
实际上不需要正则表达式：

>>> with open('file') as f:
...     rawtxt = [i.strip() for i in f if i != '\n']
...     
>>> l = []
>>> for i in [rawtxt[i:i+2] for i in range(0, len(rawtxt), 2)]:
...     l.append((i[0][11:-1], i[1]))
...     
... 
>>> l
[('1111', 'text1'), ('2222', 'text2'), ('3333', 'text3'), ('4444', 'text4'), ('5
555', 'text5')]
>>> 

如果需要
1111
，
2222
等为int，请使用
l.append（（int（i[0][11:-1]），i[1]）
而不是
l.append（（i[0][11:-1]，i[1]）
给定：

>>> txt='''\
... CustomerID:1111,
... 
... text1
... 
... CustomerID:2222,
... 
... text2
... 
... CustomerID:3333,
... 
... text3
... 
... CustomerID:4444,
... 
... text4
... 
... CustomerID:5555,
... 
... text5'''

你可以做：

>>> [re.findall(r'^(\d+),\s+(.+)', block) for block in txt.split('CustomerID:') if block]
[[('1111', 'text1')], [('2222', 'text2')], [('3333', 'text3')], [('4444', 'text4')], [('5555', 'text5')]]

>>> [re.findall(r'^(\d+),\s+([\s\S]+)', block) for block in txt.split('CustomerID:') if block]
[[('1111', 'text1\n\n')], [('2222', 'text2\n\n')], [('3333', 'text3\n\n')], [('4444', 'text4\n\n')], [('5555', 'text5')]]

如果是多行文字，则可以执行以下操作：

>>> [re.findall(r'^(\d+),\s+(.+)', block) for block in txt.split('CustomerID:') if block]
[[('1111', 'text1')], [('2222', 'text2')], [('3333', 'text3')], [('4444', 'text4')], [('5555', 'text5')]]

>>> [re.findall(r'^(\d+),\s+([\s\S]+)', block) for block in txt.split('CustomerID:') if block]
[[('1111', 'text1\n\n')], [('2222', 'text2\n\n')], [('3333', 'text3\n\n')], [('4444', 'text4\n\n')], [('5555', 'text5')]]

另一个简单的可能是-

>>>re.findall(r'(\b\d+\b),\s*(\btext\d+\b)', rawtxt)
>>>[('1111', 'text1'), ('2222', 'text2'), ('3333', 'text3'), ('4444', 'text4'), ('5555', 'text5')]

编辑-
如果需要（对于顺序更差的数据），请使用
filter

filter(lambda x: len(x)>1,re.findall(r'(\b\d+\b),\s*(\btext\d+\b)', rawtxt))

见演示
re.findall并不是最好的工具，因为regex总是贪婪的，会试图用文本吞掉所有后续的customerID

为此实际创建的工具是重新拆分。括号捕获id号并过滤掉“CustomerID”。第二行按您希望的方式将标记缝合到元组中：

toks = re.split(r'CustomerID:(\d{4}),\n', t)
zip(toks[1::2],toks[2::2])

编辑：已更正zip（）中的索引。校正后的样本输出：

[('1111', 'text1\n'),
 ('2222', 'text2\n'),
 ('3333', 'text3\n'),
 ('4444', 'text4\n'),
 ('5555', 'text5')]

re.DOTALL
@SIslam
的功能是什么？默认值与
\n
或
换行符
不匹配。有了此标志，它就匹配了。因此现在
*
将匹配多行符！这里有和没有
re.DOTALL
打印的都一样@因为我们用
\s
覆盖
\n
或
新行
，所以在这种情况下，我们是否需要
re.DOTALL
？感谢这不是OP想要的，您的表达式返回
[（'1111'，'2222'），（'2222'，'3333'），（'3333'，'4444'），（'4444'，'5555'）]
@SIslam。。。toks[2:：2]而不是toks[3:：2]。我会改正的