Python使用正则表达式提取文本文件中的段落
我正在使用Python3.7,并试图使用正则表达式从一些文本文件中提取一些段落 下面是txt文件内容的示例Python使用正则表达式提取文本文件中的段落,python,regex,text-mining,text-extraction,string-parsing,Python,Regex,Text Mining,Text Extraction,String Parsing,我正在使用Python3.7,并试图使用正则表达式从一些文本文件中提取一些段落 下面是txt文件内容的示例 AREA: OMBEYI MARKET, ST. RITA RAMULA DATE: Thursday 25.03.2021, TIME: 9.00 A.M. = 5.00 P.M. Ombeyi Mk, Kiliti Mkt, Masogo Mkt, Miwani, Kasongo, Onyango Midika, St. Rita Ramula, Onyalo Biro, Yawo
AREA: OMBEYI MARKET, ST. RITA RAMULA
DATE: Thursday 25.03.2021, TIME: 9.00 A.M. = 5.00 P.M.
Ombeyi Mk, Kiliti Mkt, Masogo Mkt, Miwani, Kasongo, Onyango Midika, St. Rita Ramula, Onyalo
Biro, Yawo Pri, Obino, Rutek, Keyo Pri & adjacent customers.
AREA: NYAMACHE FACTORY
DATE: Thursday 25.03.2021, TIME: 830 A.M. - 3.00 P.M.
Nyamache Fact, Suguta, Gionseri, Igare, Kionduso, Nyationgongo, Enchoro, Kebuko, Emenwa, Maji
Mazuri, Borangi & adjacent customers.
AREA: SUNEKA MARKET, RIANA MARKET
DATE: Thursday 25.03.2021, TIME: 8.00 A.M. - 3.00 P.M.
Suneka Mk, Riana Mk, Kiabusura, Gesonso, Chisaro, Sugunana, Nyamira Ndogo & adjacent
customers.
AREA: ITIATI, GITUNDUTI
DATE: Thursday 25.03.2021, TIME: 9.00 A.M. = 2.00 P.M.
General China, Gachuiro, Gathuini Pri, Itiati Campus, Kianjugum, Gikore, Kihuri TBC, Gitunduti &
adjacent customers.
目前,我可以使用正则表达式提取区域、日期和时间:
area_pattern = re.compile("^AREA:((.*))")
date_pattern = re.compile("^DATE:(.*),")
time_pattern = re.compile("TIME:(.*).")
我希望能够在日期/时间之后和区域之前提取包含逗号分隔位置的段落。因此,我将能够满足以下条件:
1.
Ombeyi Mk, Kiliti Mkt, Masogo Mkt, Miwani, Kasongo, Onyango Midika, St. Rita Ramula, Onyalo
Biro, Yawo Pri, Obino, Rutek, Keyo Pri & adjacent customers.
2.
Nyamache Fact, Suguta, Gionseri, Igare, Kionduso, Nyationgongo, Enchoro, Kebuko, Emenwa, Maji
Mazuri, Borangi & adjacent customers.
3.
Suneka Mk, Riana Mk, Kiabusura, Gesonso, Chisaro, Sugunana, Nyamira Ndogo & adjacent
customers.
4.
General China, Gachuiro, Gathuini Pri, Itiati Campus, Kianjugum, Gikore, Kihuri TBC, Gitunduti &
adjacent customers.
如果有人能建议一个正则表达式来帮助这个用例,以及改进我当前的正则表达式,我将非常感激。谢谢您可以将此正则表达式与要在
re.findall
中使用的捕获组一起使用:
\n数据:.*\n*(?:\n.*)+?)(?=\n区域:|\Z)
正则表达式详细信息:
:在匹配换行符后匹配文本\n日期:
日期:
:匹配行的其余部分,后跟0个或多个换行符*\n*
:捕获组1以捕获文本,在满足下一个条件之前,该文本包含一行或多行内容((?:\n.*)+)
:断言我们有一个换行符,后跟(?=\nAREA:|\Z)
,或者输入结束,就在当前位置的正前方区域:
re.findall
中使用:
\n数据:.*\n*(?:\n.*)+?)(?=\n区域:|\Z)
正则表达式详细信息:
:在匹配换行符后匹配文本\n日期:
日期:
:匹配行的其余部分,后跟0个或多个换行符*\n*
:捕获组1以捕获文本,在满足下一个条件之前,该文本包含一行或多行内容((?:\n.*)+)
:断言我们有一个换行符,后跟(?=\nAREA:|\Z)
,或者输入结束,就在当前位置的正前方区域:
^DATE:.*((?:\n(?!AREA:).*)+)
匹配^DATE:.*
和行的其余部分日期:
Capturegroup 1(
重复1+行不以(?:\n(?!AREA:).*)+
AREA:
关闭第1组)
|作为替代模式:
^DATE:.*((?:\n(?!AREA:).*)+)
匹配^DATE:.*
和行的其余部分日期:
Capturegroup 1(
重复1+行不以(?:\n(?!AREA:).*)+
AREA:
关闭第1组)
|非常感谢。这很有效,您的正则表达式细节让我更好地理解了如何处理类似的用例。非常感谢。这是有效的,您的正则表达式细节让我更好地理解了如何处理类似的用例。感谢您提供这种替代模式。成功了!感谢您提供这种替代模式。成功了!