我想从我的数据中提取一些信息。
最完整的行可能如下所示（每个部分可能包含CJK字符）：
0. (event) (tag) [group (artist)] title (form) [addition1] [addition2]
一行也可能是：
1. (event) [group (artist)] title (form) [addition1]
2. [event] [group (artist)] title (form) (addition1)
3. (tag) [group (artist)] title
4. [group (artist)] title
5. title
6. and something like above, such as 【tag】 [group (artist)] title 【form】
如我们所见，最简单的行只是纯文本title，我编写了一个正则表达式尝试匹配所有它们
import re
regex_patern = ur'([\(\[](?P<event>[^\)\]]*)[\)\]])?\s*([\(\[](?P<type>[^\)\](\)\])]*)[\)\]])?\s*(\[(?P<group>[^\(\]]*)(\((?P<artist>[^\)]*)\))?\])?(?P<title>[^\(\)\[\]]*)([\(\[](?P<from>[^\)\]]*)[\)\]])?(\s*[\(\[](?P<more1>[^\)\]]*)[\)\]])'
p = re.compile(regex_patern)
rows= [
'(event) (tag) [group (artist)] title (form) [addition1] [addition2]',
'(event) [group (artist)] title (form) [addition1]',
'[event] [group (artist)] title (form) (addition1)',
'(tag) [group (artist)] title',
'[group (artist)] title',
'title',
]
for r in rows:
r = re.search(p, r)
print r.groupdict()
输出：
{u'from': 'form', u'more1': 'addition1', u'artist': 'artist', u'title': ' title ', u'group': 'group ', u'type': 'tag', u'event': 'event'}
{u'from': 'form', u'more1': 'addition1', u'artist': 'artist', u'title': ' title ', u'group': 'group ', u'type': None, u'event': 'event'}
{u'from': 'form', u'more1': 'addition1', u'artist': 'artist', u'title': ' title ', u'group': 'group ', u'type': None, u'event': 'event'}
{u'from': None, u'more1': 'group (artist', u'artist': None, u'title': '', u'group': None, u'type': None, u'event': 'tag'}
{u'from': None, u'more1': 'group (artist', u'artist': None, u'title': '', u'group': None, u'type': None, u'event': None}
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-5-831c548bc3f0> in <module>()
15 for r in rows:
16 r = re.search(p, r)
---> 17 print r.groupdict()
AttributeError: 'NoneType' object has no attribute 'groupdict'
结果从第4行开始变得意外。
我认为re应该从中间开始搜索。首先寻找[group (artist)] and title，但是我不知道如何用正则表达式编写。还是我做错了路？
编辑
看来（至少在您提供的示例中）您可以正确地匹配整个字符串并将其分组为：
^(?:(?:^[\[()](?P<event>[^)\]]+)[)\]](?=.+[\])]$)\s)?(?:[(【](?P<tag>(?<=^[(【])[^】)]+(?=.+[\w】]$)|(?<=\)\s\()[^)]+(?=\)\s\[))[】)]\s)?\[(?:(?P<group>[^(\]]+)\s+\((?P<artist>[^)]+)\)\])\s+)?(?P<title>[^(\n)【]+)(?:\s*[\(【](?P<form>[^)】]+)[)】](?:\s*[\[(](?P<add>[^\])]+)[\])])?(?:\s*[\[(](?P<add2>[^\])]+)[\])])?)?$
用于：
import re
rows= [
'(event) (tag) [group (artist)] title (form) [addition1] [addition2]',
'(event) [group (artist)] title (form) [addition1]',
'[event] [group (artist)] title (form) (addition1)',
'(tag) [group (artist)] title',
'[group (artist)] title',
'title',
]
p = re.compile(ur'^(?:(?:^[\[()](?P<event>[^)\]]+)[)\]](?=.+[\])]$)\s)?(?:[(【](?P<tag>(?<=^[(【])[^】)]+(?=.+[\w】]$)|(?<=\)\s\()[^)]+(?=\)\s\[))[】)]\s)?\[(?:(?P<group>[^(\]]+)\s+\((?P<artist>[^)]+)\)\])\s+)?(?P<title>[^(\n)【]+)(?:\s*[\(【](?P<form>[^)】]+)[)】](?:\s*[\[(](?P<add>[^\])]+)[\])])?(?:\s*[\[(](?P<add2>[^\])]+)[\])])?)?$')
for r in rows:
[m.groupdict() for m in p.finditer(r)]
print m.groupdict()
给出输出：
{u'event': 'event', u'tag': 'tag', u'group': 'group', u'artist': 'artist', u'title': 'title ', u'form': 'form', u'add': 'addition1', u'add2': 'addition2'}
{u'event': 'event', u'tag': None, u'group': 'group', u'artist': 'artist', u'title': 'title ', u'form': 'form', u'add': 'addition1', u'add2': None}
{u'event': 'event', u'tag': None, u'group': 'group', u'artist': 'artist', u'title': 'title ', u'form': 'form', u'add': 'addition1', u'add2': None}
{u'event': None, u'tag': 'tag', u'group': 'group', u'artist': 'artist', u'title': 'title', u'form': None, u'add': None, u'add2': None}
{u'event': None, u'tag': None, u'group': 'group', u'artist': 'artist', u'title': 'title', u'form': None, u'add': None, u'add2': None}
{u'event': None, u'tag': None, u'group': None, u'artist': None, u'title': 'title', u'form': None, u'add': None, u'add2': None}
此正则表达式由几个部分组成：
(?:^[\[()](?P<event>[^)\]]+)[)\]](?=.+[\])]$)\s)? -匹配事件(?:[(【](?P<tag>(?<=^[(【])[^】)]+(?=.+[\w】]$)|(?<=\)\s\()[^)]+(?=\)\s\[))[】)]\s)? -匹配标签\[(?:(?P<group>[^(\]]+)\s+\((?P<artist>[^)]+)\)\])\s+)? -匹配组(?P<title>[^(\n)【]+) -匹配的标题(?:\s*[\(【](?P<form>[^)】]+)[)】](?:\s*[\[(](?P<add>[^\])]+)[\])])?(?:\s*[\[(](?P<add2>[^\])]+)[\])])?)? -匹配表格并添加如您所见，每个部分（不包括与a匹配的部分）都title以?量词结尾，即零或一。因此，这些部分是可选的，如果有要匹配的片段，它将匹配，但是如果没有，它将不会打扰（至少不应该）正则表达式的其余部分如何工作。这就是为什么它看起来像“从中间”匹配，而不是“从左到右”匹配的原因。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句