Python 使用正则表达式将文本内容拆分为字典

我有一个遵循这种格式的文本文件

莱斯特·霍尔特（00:00:01）：今晚最新消息：一场致命的大规模枪击 在机场。一名持枪歹徒在堡垒的行李认领处开枪 劳德代尔，描述恐怖场景的目击者。沉默的 凶手在人们试图逃跑和躲藏时向他们头部开枪。 今晚，一连串的问题。他为什么这么做？嫌疑犯，一个 乘客的托运行李中有一支枪。新关注 检查站前的机场安全

（00:00:25）：今晚还将发布来自美国的最新报道。 情报：弗拉基米尔·普京本人下令努力施加影响 这次选举旨在伤害克林顿并帮助特朗普获胜。怎么回事 当选总统在他的绝密简报后说

（00:00:39）：紧急状态：数百万人从一个海岸到另一个海岸 被一场巨大的冬季风暴弄得瘫痪了

（00:00:45）：晚间新闻现在开始

我试图将这些信息解析到Python字典中，其中说话人是一个字典，字典中有时间码键，内容是值，由于时间码之前的潜在信息（即第一个引号），我无法一致地拆分，此外，分割字符

：

也是与时间码本身

00:00:00

有关的字符

试图根据正则表达式进行拆分

for line in msg.get_payload().split('\n'):
    regex = r'\d{2}:\d{2}:\d{2}'
    test = re.split(regex, line)
    print(test)
    sleep(1)

似乎可以正确拆分它，但它会导致我丢失正在拆分的值（timecode），我打算将其用作键。如何正确分割上述内容，获取说话人，然后将时间码作为键，将内容作为值。说话人可能稍后也会出现在文本中，并且应该附加到时间码列表中。/

我的目标输出格式与

{speakers:{'Lester Holt': {'00:00:01':content..., '00:00:0025': content...},
'speaker2':{etc,etc,etc} }}

我试着使用上面提到的拆分，但它删除了我的timecode变量

---

任何想法和指导都将不胜感激

不要费心于

拆分

。您试图从每行中获取2-3条信息，因此请尝试以下操作：

for line in msg.get_payload().split('\n'):
    match = re.search(r'^\s*([^(]*?)\s*\((\d{2}:\d{2}:\d{2})\):\s*(.*)$', line)
    if match:
        (speaker, time, message) = match.groups()

如果该行中没有扬声器，则扬声器将为空字符串

正则表达式解释：

^                    # Start of line
\s*                  # Drop leading whitespace
([^(]*?)             # Capture the speaker if present (non-paren characters)
\s*                  # Drop whitespace between name and time
\(                   # Drop literal open paren
(\d{2}:\d{2}:\d{2})  # Capture time
\):\s*               # Drop literal close paren, colon and whitespace
(.*)                 # Capture the rest of the line
$                    # End of line

---

不要费心于

拆分

。您试图从每行中获取2-3条信息，因此请尝试以下操作：

for line in msg.get_payload().split('\n'):
    match = re.search(r'^\s*([^(]*?)\s*\((\d{2}:\d{2}:\d{2})\):\s*(.*)$', line)
    if match:
        (speaker, time, message) = match.groups()

如果该行中没有扬声器，则扬声器将为空字符串

正则表达式解释：

^                    # Start of line
\s*                  # Drop leading whitespace
([^(]*?)             # Capture the speaker if present (non-paren characters)
\s*                  # Drop whitespace between name and time
\(                   # Drop literal open paren
(\d{2}:\d{2}:\d{2})  # Capture time
\):\s*               # Drop literal close paren, colon and whitespace
(.*)                 # Capture the rest of the line
$                    # End of line

---

当您需要将消息拆分为带有时间戳的段落时，将其拆分为行是一种浪费

re.split

可以轻松保存它拆分的令牌，如果您只查看。以下是我的解决方案：

toks = re.split(r"\((\d\d:\d\d:\d\d)\):", msg.get_payload())[1:]
answer = dict(zip(toks[::2], toks[1::2]))

这将创建时间戳和段落的字典。也可以使用相同的方法按说话人进行分割

结果: { “00:00:01”：“今晚的突发新闻：A…..”， “00:00:25”：“今晚也要休息……”。。。。

---

}

当您需要将消息拆分为带有时间戳的段落时，将其拆分为行是一种浪费

re.split

可以轻松保存它拆分的令牌，如果您只查看。以下是我的解决方案：

toks = re.split(r"\((\d\d:\d\d:\d\d)\):", msg.get_payload())[1:]
answer = dict(zip(toks[::2], toks[1::2]))

这将创建时间戳和段落的字典。也可以使用相同的方法按说话人进行分割

结果: { “00:00:01”：“今晚的突发新闻：A…..”， “00:00:25”：“今晚也要休息……”。。。。

---

}

在尝试正则表达式解决方案之前，你能不能就

）：

？@PatrickHaugh你在扼杀正则表达式的乐趣：）也许类似于

（[\w\s]*？）（\（\d\d:\d:\d\d\）：（*）（？：\n\n$）

我可以，是的，但不必100%确定：在所有txt文件中都不存在，这些文件可能包含在content@Busturdust如果您还不熟悉它们，我建议您查找“捕获组”，这是一种从匹配正则表达式的文本中提取文本的方法。在尝试正则表达式解决方案之前，你能不能就

）：

？@PatrickHaugh你在扼杀正则表达式的乐趣：）也许像

（[\w\s]*？）（\（\d\d:\d\d:\d\d\）：（.*）（？：\n\n$）

我可以，是的，但不必100%确定：在所有txt文件中都不存在，这些文件可能包含在content@Busturdust如果您还不熟悉，我建议您查找“捕获组”，这是一种从与正则表达式匹配的文本中提取文本的方法。谢谢您的回答，因为我是正则表达式的新手，我将复习这个表达式并测试它。然而，在第一次运行时，它看起来运行得非常干净。谢谢你们的快速努力，然后他用解释更新了它，太好了，谢谢！您是否使用了一些工具来生成解释？谢谢您的回答，因为我是regex新手，所以我将检查表达式并测试它。然而，在第一次运行时，它看起来运行得非常干净。谢谢你们的快速努力，然后他用解释更新了它，太好了，谢谢！你有没有什么工具可以用来解释呢？这很好，请允许我回顾一下这很好，请允许我回顾一下