Python findall中的正则表达式匹配不一致
有人能告诉我为什么Python中的正则表达式模式大部分时间都能工作,但在下面的文本中却有困难 模式:Python findall中的正则表达式匹配不一致,python,regex,Python,Regex,有人能告诉我为什么Python中的正则表达式模式大部分时间都能工作,但在下面的文本中却有困难 模式: patternd = re.compile(r"""\(VFSCAN\)[^=]*=\s* # first line of a section: (VFSCAN) AT TIME = 1.1800 UP TO 100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200 (\d*(?:\.\d+)?) # g
patternd = re.compile(r"""\(VFSCAN\)[^=]*=\s* # first line of a section: (VFSCAN) AT TIME = 1.1800 UP TO 100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200
(\d*(?:\.\d+)?) # group 1 - first number of first line: 1.1800
\D+
\d+ # second number of first line: 100
\s+BUSES\s+WITH\s+LOW\s+VOLTAGE\s+(DEVIATION)\s+BELOW.*?
\D+ # skip second line
(?: # a data line: 18436 [LENZIE 618.0] -0.245 18433 [LENZIE 318.0] -0.245
(?:\d+\s+\[(.+?)\]\s+\S+\s*)+ # Component of data line
(?=[\r\n\s]+|$)
)+ # This search ends with an empty line
""", re.VERBOSE)
我遇到的问题是:
test3 = r'''(VFSCAN) AT TIME = 1.1800 UP TO 100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:
X ----- BUS ------ X VDEV X ----- BUS ------ X VDEV
18436 [LENZIE 618.0] -0.245 18433 [LENZIE 318.0] -0.245
18431 [LENZIE 118.0] -0.214 18435 [LENZIE 518.0] -0.214
18434 [LENZIE 418.0] -0.214 18432 [LENZIE 218.0] -0.214
(VFSCAN) AT TIME = 1.5167 UP TO 100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:
X ----- BUS ------ X VDEV X ----- BUS ------ X VDEV
69036 [DNLP2G21.575] -0.414 69038 [DNLP2G22.575] -0.414
69040 [DNLP2G23.575] -0.414 69032 [DNLP1_G1.575] -0.402
65460 [DIFICULT 230] -0.384 69027 [7MIHL G1.575] -0.355
69076 [HORIZ_G .575] -0.303 67237 [MEDBOWCO 115] -0.301
67940 [STNDPSVC 230] -0.300 65976 [MINERS 34.5] -0.294
65585 [FT CRK1 34.5] -0.261 65584 [FT CRK2 34.5] -0.261
69073 [HIPLN_G .575] -0.214
(VFSCAN) AT TIME = 1.1800 UP TO 100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:
X ----- BUS ------ X VDEV X ----- BUS ------ X VDEV
65191 [BONANZA 24.0] -0.572 65192 [BONANZA 138] -0.434
65194 [CHAPITA 138] -0.433 66278 [RANGELY 138] -0.320
65371 [COVE TP 138] -0.302 79265 [CALAMRDG 138] -0.286
79400 [DES.MINE 138] -0.285 65086 [ASHLEY 69.0] -0.284
79067 [VERNAL 138] -0.277 67257 [MOONLAK269.0] -0.268
67256 [MOONLAK169.0] -0.266 79264 [W.RV.CTY 138] -0.206
'''
我使用“findall”来匹配使用上述模式的文本,并期望提取一个元组列表。当我运行此程序时,我得到:
[('1.1800', 'DEVIATION', 'LENZIE 218.0'), ('1.5167', 'DEVIATION', 'HIPLN_G .575'), ('1.1800', 'DEVIATION', 'W.RV.CTY 138')]
但我的列表中应该有更多匹配的元组。我只对提取每场比赛第一行的时间以及方括号“[]”中的所有项目感兴趣。我应该在列表中得到6+13+12=31个元组。任何帮助都将不胜感激。您必须逐行解析此格式,一旦找到匹配项,正则表达式将不会返回文本。您希望正则表达式找到重叠的部分(第0行+第2行,然后第0行+第3行,等等),但是引擎已经在第0-2行匹配了一些内容,因此下一个匹配
findall
将搜索第2行之后的开始
按行分割输入,检测标题行和数据行,并相应地解析每一行。然后用最近解析的标题对数据行进行分组。使用正则表达式无法完成所需的操作。(至少,不是在单个正则表达式中)。组或匹配项中的子组数不能可变。比较正则表达式的简化版本
p = re.compile('(a(b)+)')
test3 = 'ababbabbbabbbb'
print p.findall(test3)
您希望它返回如下内容:
[('ab', 'b'), ('abb', 'b', 'b'), ('abbb', 'b', 'b', 'b'), ('abbbb', 'b')]
而是返回以下内容:
[('ab', 'b'), ('abb', 'b'), ('abbb', 'b'), ('abbbb', 'b')]
根据示例数据,可以使用两次传递算法。您可以首先使用原始正则表达式(没有导致它失败的分组)来提取大块文本。然后,使用第二个正则表达式,可以从第一个过程中找到的块中提取子模式。这看起来像是要用其他东西解析的东西;正则表达式不会解析每个标题后面任意数量的行,只会包含第一个匹配行。严格来说,这不是真的(取决于您如何编写正则表达式),但建议是合理的:)谢谢您的评论。我就是从这里开始的,但我确信正则表达式可以完成这项工作。我的模式适用于我拥有的大多数数据,没有问题。为了澄清,这些部分分散在我的文件中。我想匹配整个部分,并将第一行的时间和[]s中的所有数据分组。当前,组仅返回每个匹配中的最后一个[]。如果我删除分组,我会得到我所期望的,每个(VFSCAN)部分的文本列表。加入团队会导致失败。啊,现在我明白你想做什么了。我已经修改了我原来的答案。汉斯,这听起来很合理,我会尽力做到的。当我删除分组时,正则表达式可以完美地工作,因此我将尝试两阶段的过程。谢谢你的帮助,你可以考虑接受这个答案。这将向其他用户提供反馈,说明这是一个有用的建议。我一开始是逐行进行的,但我使用的模式适用于大多数情况(我想……我会再次检查)。如果我移动分组,parens findall将返回与所有匹配项对应的字符串列表。我愿意做任何有用的事。我原以为我很熟悉这个正则表达式。@user1642486:不要把正则表达式看作是寻找钉子的锤子。:-)如果锯子工作得更好,就用它吧!