Python 使用组和嵌套正则表达式进行组命名（从文本文件进行单位转换）

基本问题：

如何用另一个组值命名python正则表达式组，并将其嵌套在更大的正则表达式组中

问题来源：

给定一个字符串，如

，您最喜欢的歌曲长度为1小时23秒。我的手机只记录1小时30分10秒。

提取时间并转换为给定单位的优雅解决方案是什么

尝试的解决方案：

我对解决方案的最佳猜测是创建一个字典，然后对字典执行操作以转换为所需的单元

i、 e.将给定字符串转换为：

string[0]:
 {'time1': {'day':0, 'hour':1, 'minutes':0, 'seconds':23, 'milliseconds':0}, 'time2': {'day':0, 'hour':1, 'minutes':30, 'seconds':10, 'milliseconds':0}}

string[1]:
 {'time1': {'day':4, 'hour':2, 'minutes':3, 'seconds':6, 'milliseconds':30}}

我有一个正则表达式解决方案，但它没有达到我想要的效果：

import re

test_string = ['Your favorite song is 1 hour 23 seconds long.  My phone only records for 1h 30 mins and 10 secs.',
                'This video is 4 days 2h 3min 6sec 30ms']

year_units = ['year', 'years', 'y']
day_units = ['day', 'days', 'd']
hour_units = ['hour', 'hours', 'h']
min_units = ['minute', 'minutes', 'min', 'mins', 'm']
sec_units = ['second', 'seconds', 'sec', 'secs', 's']
millisec_units = ['millisecond', 'milliseconds', 'millisec', 'millisecs', 'ms']
all_units = '|'.join(year_units + day_units + hour_units + min_units + sec_units + millisec_units)
print((all_units))

# pattern = r"""(?P<time>               # time group beginning
#               (?P<value>[\d]+)    # value of time unit
#               \s*                 # may or may not be space between digit and unit
#               (?P<unit>%s)        # unit measurement of time
#               \s*                 # may or may not be space between digit and unit
#           )
#           \w+""" % all_units
pattern = r""".*(?P<time>       # time group beginning
            (?P<value>[\d]+)    # value of time unit
            \s*                 # may or may not be space between digit and unit
            (?P<unit>%s)        # unit measurement of time
            \s*                 # may or may not be space between digit and unit
            ).*                 # may be words in between the times 
            """ % (all_units)

regex = re.compile(pattern)
for val in test_string:
    match = regex.search(val)
    print(match)
    print(match.groupdict())

重新导入
test_string=[“你最喜欢的歌曲是1小时23秒长。我的手机只录制1小时30分10秒。”，
“此视频为4天2小时3分钟6秒30毫秒”]
年份单位=[‘年’、‘年’、‘y’]
日单位=[‘日’、‘日’、‘d']
小时单位=['hour'，'hours'，'h']
最小单位=[‘分钟’、‘分钟’、‘分钟’、‘分钟’、‘米’]
秒单位=[‘秒’、‘秒’、‘秒’、‘秒’、‘s’]
毫秒单位=[“毫秒”、“毫秒”、“毫秒”、“毫秒”、“毫秒”、“毫秒”]
所有单位=“|”。加入（年单位+日单位+小时单位+分钟单位+秒单位+毫秒单位）
打印（（所有单位））
#模式=r”“”（？P#时间组开始
#（？P[\d]+）#时间单位值
#\s*#可能是也可能不是数字和单位之间的空格
#（？P%s）#时间单位测量
#\s*#可能是也可能不是数字和单位之间的空格
#           )
#\w+“”%s所有\u单元
模式=r”“*（？P#时间组开始
（？P[\d]+）#时间单位值
\s*#可能是也可能不是数字和单位之间的空格
（？P%s）#时间单位测量
\s*#可能是也可能不是数字和单位之间的空格
).#可能是介于时间之间的词语
“%”（所有单位）
regex=re.compile（模式）
对于测试字符串中的val：
match=regex.search（val）
打印（匹配）
打印（match.groupdict（））

---

由于无法正确处理嵌套分组，并且无法使用组的值指定名称，因此此操作失败得很惨。

首先，如果不使用

re.VERBOSE

标志，您不能只编写带注释的多行正则表达式并期望它匹配任何内容：

regex = re.compile(pattern, re.VERBOSE)

---

正如你所说，最好的解决办法可能是使用dict

for val in test_string:
    while True: #find all times
        match = regex.search(val) #find the first unit
        if not match:
            break
        matches= {} # keep track of all units and their values
        while True:
            matches[match.group('unit')]= int(match.group('value')) # add the match to the dict
            val= val[match.end():] # remove part of the string so subsequent matches must start at index 0
            m= regex.search(val)
            if not m or m.start()!=0: # if there are no more matches or there's text between this match and the next, abort
                break
            match= m
        print matches # the finished dict

# output will be like {'h': 1, 'secs': 10, 'mins': 30}

然而，上面的代码还不能工作。我们需要作出两项调整：

• 模式不能只允许匹配之间有任何文本。要在两个匹配项之间仅允许空白和“and”一词，可以使用

  pattern=r”“（？p#时间组开始
  （？P[\d]+）#时间单位值
  \s*#可能是也可能不是数字和单位之间的空格
  （？P%s）#时间单位测量
  \s*#可能是也可能不是数字和单位之间的空格
  （？：\band\s+）#允许数字之间使用“和”字
  )#可能是介于时间之间的词语
  “%”（所有单位）

• 你必须改变你单位的顺序，如下所示：

  year_单位=['years'、'year'、'y']#年前年份
  日单位=['days'，'day'，'d']#日前几天等。

  为什么?？因为如果你有一个像

  3年1天

  这样的文本，那么它将匹配

  3年

  ，而不是

  3年和

---

哇！非常感谢，这是一个极好的解决方案！关于排序的好的一点是，我甚至没有想到，如果没有“s”，它会匹配，直到你写出来。