从python文件解析结构化数据

该文件具有以下格式：

组件名称-版本-author@email.com-带有新行和其他空白字符的多行注释
\t…继续多行注释
组件名称2-版本-author2@email.com-可能包含新行和其他空白字符的多行注释
组件名称-版本-author@email.com-可能包含新行和其他空白字符的多行注释2
组件名称-版本-author2@email.com-可能包含新行和其他空白字符的多行注释2
等等

解析后，输出格式应按组件名称分组：

output = [
     "component_name" -> ["version - author@email.com - comment 1", "version - author@email.com - comment 2", ...],
     "component_name2" -> [...],
     ...
]

目前，这是我到目前为止对其进行分析的内容：

reTemp = r"[\w\_\-]*( \- )(\d*\.?){3}( \- )[\w\d\_\-\.\@]*( \- )[\S ]*"
numData = 4
reFormat = re.compile(reTemp)

textFileLines = textFile.split("\n")
temp = [x.split(" - ", numData - 1) for x in textFileLines if re.search(reFormat, x)]
m = filter(None, temp) # remove all empty lists
group = groupby(m, lambda y: y[0].strip())

这适用于单行注释，但不适用于多行注释。此外，我不确定正则表达式是否是用于此目的的正确工具。有没有更好的方法来做这件事

编辑：

• 多行注释在新行上用制表符分隔

  \t

  （例如，查看上面的第一个条目）
• 注释是GIT提交消息，可以包含JSON或代码
• 条目由换行符分隔

---

我不得不处理这样的结构化数据文件，最后编写了一个状态机来解析文件。类似这样的内容（粗略的伪代码）：

---

您可能希望将文件格式形式化为语法，然后使用Python提供的众多语法之一来根据语法解释文件。

也许

csv

带有分隔符

'-'

@PatrickHaugh如何处理带有“-”的多行注释？一个好的正则表达式可以解决这个问题。但是，如果没有实际的示例输入，就很难推荐任何内容。我看到的

split（“-”

方法的问题是多行注释可以包含这个字符序列。顺便说一句，您当前的正则表达式可以写成

r“[\w-]*（\d*.？）{3}（-）[-\w.@]*（[\S]*”

我不得不处理这样的结构化数据文件，最后编写了一个状态机来解析文件。基本上，您循环遍历文件的每一行，检查该行是否与起始行的正则表达式匹配，如果匹配，则将数据保存在新的“记录”目录中。对于后面的每一行，检查它是否为新记录-如果不是，则将该行附加到当前记录的注释中。如果是新行，请将当前记录保存到列表中（已完成），并用此行创建一个新记录。@das-g它为我看到的多行注释

\t

添加了一个制表符分隔符。

for line in file:
    if line matches new_record_regex:
        records.append(record)
        record = {"version": field1, "author": field2, "comment": field3}
    else:
        record["comment"] += line