Regex 如何处理大量结构化但不一致的数据？

我正试图解析——它们是SEC文件。具体来说，我正试图解析和文件

在解析这些文件时似乎有很多失败的尝试，我认为这是因为这样做是一项庞大的任务，整个团队都必须处理

我的任务是分析这些文件。我们需要自始至终找到的数据表中的信息。问题是记录中的文件使我很难区分数据点、表节标题等

到目前为止，我只能从约10%的Schedule 13D文件中获取信息，甚至我所获取的信息也需要大量清理。简而言之，我将正则表达式模式与文本匹配。该模式采用一个已知的（英文）节头和下一个（我手动设置每个节头）并提取中间的内容：例如，

如果组（.*SEC）的成员仅使用

，请选中相应的框。显然，这不会让我走得很远，事实并非如此。使用相同的逻辑，以下是基于以下示例字符串（作为示例）得到的结果：

示例文本

报告人姓名I.R.S.上述人员的识别号 （仅限实体）Robert Depalo如果 小组（见 指示（a）（b） 秒 如果披露以下信息，请选中“仅使用资金来源”（参见说明）复选框 根据第2（d）项或 2（e）国籍或居住地 组织美国公民投票权45119857（1）共享投票 POWER-0-SOLE处置性POWER45119857（1）10.共享处置性 POWER-0-11.各报告方实益拥有的总金额 Person45119857（1）12.如果第（11）行中的合计金额 不包括某些股份（参见 （说明）13.5%的学生 由第（11）行中的金额表示33.4%（2）14.1报告人类型 （见说明）（1）包括44194298股 报告人持有的普通股和925559股普通股 Arjent Limited UK持有的股票。报告人为 Arjent Limited英国董事长，拥有投票权和投资权 对其所持股份的授权。不包括任何 报告人和实体持有的优先股类别 报告人的妻子拥有的财产有权获得 下文第6项讨论。（2）不包括投票 报告人根据本协议有权收取的利息 SPHC B系列优先股，如本协议第6项所述 附表13D

示例输出

键：检查| v：（a）和#160   （b） 和#160   
关键词：公民诉：美国
键：复选框| v:     
关键字：共享VOT | v:-0-
关键字：v的百分比：第11行金额表示的类别百分比
关键词：RE类型| v：报告人类型\（见说明\）
键：复选框| v:    13
关键字：SOLE DISPO | v:45119857
键：秒使用| v：仅秒使用
键：共享DIS | v:-0
钥匙：SOLE VOTIN | v:45119857
关键词：R | v的名字：罗伯特·德帕洛
关键字：骨料| v:45119857 12。
关键字：资金来源| v：资金来源\（见说明\）

---

还有其他方法吗？这不适用于大多数13D文件，也不适用于13G。我觉得我的方法有点太幼稚了，我需要一个共同的方法来解决这样的问题。我正在寻找至少80%的归档文件。

很难说没有看到这些变化，但是你链接的第一个文档看起来更容易解析，因为它们的间距太大了。当你去解析的时候，你不能保留它吗？@dgig所以保留间距？然后，基于间距进行解析？因此，您正试图使用regex（除了没有regex之外最糟糕的解析设备）来解析以自然语言英语编写的文档，这些文档具有巨大的法律弯曲。是的，你选择了一项相当艰巨的任务。硅谷有很多资金雄厚的初创公司正试图做到这一点（到目前为止，他们还没有在股市上超越FaceBook）。除非你认为你对此有特别新的想法，否则我认为你从一开始就在打一场失败的战斗。我建议你去阅读所有你能找到的关于解析英语或法律文档的内容，然后重新考虑你的方法。@IraBaxter听着，我最不想做的事情就是使用regex——用它来创建任何复杂和可扩展的东西是极其复杂的。但我之所以选择regex，是因为它的灵活性（给了我相当大的自由度）。请提供一个替代方案。我正在使用Python。通过列表理解很容易操作和搜索字符串。我可以这样做。好吧，我想我很同情你的处境，但我不能帮你对付你的老板。世界上到处都是皮卡德船长，他说“让它成为现实”，却不知道是否可以以合理的方式做到这一点。那只在电视上有效。如果你愿意的话，你可以让我成为你解释的替罪羊；我习惯穿石棉套装。你可以告诉他，有个老古董说你需要一个自然语言解析器，所以你想继续这样做。这将让你燃烧周期，让它连接起来，并试图提取数据；这还不够，但看起来你正在努力。