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使用正则表达式提取文本文件中的段落

python regex

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

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 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：

```
\n日期：
```
：在匹配换行符后匹配文本
```
日期：
```
```
*\n*
```
：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
```
（？=\nAREA:|\Z）
```
：断言我们有一个换行符，后跟
```
区域：
```
，或者输入结束，就在当前位置的正前方

您可以将此正则表达式与捕获组一起使用，以便在

re.findall

中使用：

\n数据：.*\n*（？：\n.*）+？）（？=\n区域：|\Z）

正则表达式详细信息：

```
\n日期：
```
：在匹配换行符后匹配文本
```
日期：
```
```
*\n*
```
：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
```
（？=\nAREA:|\Z）
```
：断言我们有一个换行符，后跟
```
区域：
```
，或者输入结束，就在当前位置的正前方

作为替代模式：

^DATE:.*((?:\n(?!AREA:).*)+)

```
^DATE:.*
```
匹配
```
日期：
```
和行的其余部分

（

Capturegroup 1

```
（？：\n（？！AREA:）.*）+
```
重复1+行不以
```
AREA:
```

```
）
```
关闭第1组

作为替代模式：

^DATE:.*((?:\n(?!AREA:).*)+)

```
^DATE:.*
```
匹配
```
日期：
```
和行的其余部分

（

Capturegroup 1

```
（？：\n（？！AREA:）.*）+
```
重复1+行不以
```
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！