用python正则表达式提取数据

我试图使用python从txt文件（见下面的示例文本）中提取数据。考虑到标题可以在一条直线上，分成两条线，甚至在中间用空行分割（Title 1）。 我想要实现的是提取信息以存储在如下表中：

代码 标题 开幕日期 截止日期 预算 标题-SDFSD-DFDS-SFDS-01-01 这是标题1，它在两条直线上分开，中间有一条空行。 四月十五日至二十一日 8月26日至21日 2000万欧元 标题-SDFSD-DFDS-SFDS-01-02 这是一行中的标题2 三月十五日至二十一日 8月17日至21日 1500万欧元 标题-SDFSD-DFDS-SFDS-01-03 这是标题3，太长了，需要两行 5月15日至21日 九月二十六日至二十一日 500万欧元

---

您可以使用捕获组获取匹配

请注意，您可以将

（？！，）\S

写成

[^\S，]

根据示例中的行：

^(TITLE-.+?-[0-9]{2}-[0-9]{2})[^\s,] (.*(?:\r?\n(?![A-Z]).*)*)(?:\r?\n(?!Opening).*)*\r?\nOpening date (\d+ .*)(?:\r?\n(?!Deadline).*)*\r?\nDeadline (\d+ .*)(?:\r?\n(?!Indicative budget:).*)*\r?\nIndicative budget: .*?(EUR \d+(?:\.\d+)? \w+)

解释

• ^

  字符串的开头

• （TITLE-.+？-[0-9]{2}-[0-9]{2}）

  Capture第1组，匹配标题部分

• [^\s，]

  匹配除逗号以外的任何非空白字符

• （.*（？：\r？\n（？[A-Z]）*）

  Capturegroup 2，匹配所有不以大写字符开头的行

• （？：\r？\n（？！开业）。*）*\r？\n开业日期

  匹配开业日期之前的所有行

• （\d+.*）

  捕获组3，匹配1+个数字、空格和行的其余部分

• （？：\r？\n（？截止日期）。*）*\r？\n截止日期

  匹配截止日期前的所有行

• （\d+.*）

  捕获组4，匹配1+个数字和行的其余部分

• （？：\r？\n（？！指示性预算：）.*.\r？\n指示性预算：.*.

  匹配所有行，直到指示性预算：

• （EUR\d+（？：\.\d+）\w+

  捕获第5组，匹配EUR、数字和1+字字符

|

然后，您可以将其加载到表或数据帧中

with open('doubt2.txt','r', encoding="utf-8") as f:
    f_contents = f.read()
    pattern = re.compile(r"^(TITLE-.+?-[0-9]{2}-[0-9]{2})[^\s,] (.*(?:\r?\n(?![A-Z]).*)*)(?:\r?\n(?!Opening).*)*\r?\nOpening date (\d+ .*)(?:\r?\n(?!Deadline).*)*\r?\nDeadline (\d+ .*)(?:\r?\n(?!Indicative budget:).*)*\r?\nIndicative budget: .*?(EUR \d+(?:\.\d+)? \w+)", re.MULTILINE)
    matches = pattern.findall(f_contents)
    df = pd.DataFrame(matches, columns = ['Code', 'Title', 'Opening date', 'Deadline', 'Budget'])
    df['Title'] = df['Title'].str.replace('[\r\n]+',' ')
    print(df)

输出

---

对捕获组使用正则表达式。使用

re.DOTALL

标志允许

*

跨多行匹配，因此您可以捕获多行标题。并使用惰性量词来避免匹配太长

import csv
import re

pattern = re.compile(r'^(TITLE-.+?-\d{2}-\d{2})\S*\s*(.*?)^Conditions.*?^Opening date (\d{1,2} \w+ \d{4})\s*?^Deadline (\d{1,2} \w+ \d{4})\s*^Indicative budget:.*?(EUR [\d.]+ \w+)', re.MULTILINE | re.DOTALL)
matches = pattern.finditer(f_contents)

with open("result.csv", "w") as outfile:
    csvfile = csv.writer(outfile)
    csvfile.writerow(['Code', 'Title', 'Opening date', 'Deadline', 'Budget'])
    for match in matches:
        csvfile.writerow([match.group(1), match.group(2).replace('\n', ' '), match.group(3), match.group(4), match.group(5)])

---

使用

pattern.findall（）

，它将返回一个字符串列表。您如何判断一个标题拆分为两行？请将表格作为文本发布，而不是屏幕截图。请参见

条件

是否总是标题后第一段的开头？您可以使用

re.DOTALL

和

re.MULTILINE

标志跨多行匹配，直到匹配完成为止。@fourthbird感谢您的指示。我希望我以前知道regex101.com网站，我花了两天时间才学会基本的正则表达式。尽管如此，我还是要检查它是如何工作的，这是令人印象深刻的。。。非常感谢你。我尝试了你的代码，它告诉我，

module'csv'没有属性'writerow'

我需要安装一个特殊的包吗？对不起，应该是

csvfile.writerow

re.DOTALL

在regex101.com上被称为

single line

。如果它不总是一个空格，请使用

\s+

匹配任何空格，这将匹配新线。再次感谢。我知道评论不是针对这一点的，但它不允许我将解决方案标记为有用。感谢您访问regex101网站。com@nekovolta如果单击有助于解决问题，则可以将其视为已接受✓ 在它的左边。注意，你得到2个接受一个解决方案。我不知道我不能同时接受两个解决方案。我喜欢这两种方法，但由于CSV文件的生成，可能另一种方法更适合。但是，通过您的解释，我更好地理解了正则表达式。我的印象是我已经投票支持你的回答：）@nekovolta

？

使

*

在匹配

-[0-9]{2}-[0-9]{2}

import csv
import re

pattern = re.compile(r'^(TITLE-.+?-\d{2}-\d{2})\S*\s*(.*?)^Conditions.*?^Opening date (\d{1,2} \w+ \d{4})\s*?^Deadline (\d{1,2} \w+ \d{4})\s*^Indicative budget:.*?(EUR [\d.]+ \w+)', re.MULTILINE | re.DOTALL)
matches = pattern.finditer(f_contents)

with open("result.csv", "w") as outfile:
    csvfile = csv.writer(outfile)
    csvfile.writerow(['Code', 'Title', 'Opening date', 'Deadline', 'Budget'])
    for match in matches:
        csvfile.writerow([match.group(1), match.group(2).replace('\n', ' '), match.group(3), match.group(4), match.group(5)])