如何修复试图捕获一些单词和编号的正则表达式？

我有一个看起来像s字符串的.txt文件。 s字符串由word_1后跟word_2一个id和一个number符合：

word_1 word_2 id number

我想创建一个正则表达式，列出所有"nunca"后面跟着VM_ _ _ _ 。 该constrait提取"nunca"和VM_ _ _ _模式是，ocurrences 必须接连出现 ，其中_是免费的人物id字符串如：

nunca nunca RG 0.293030
first_word second_word VM223FDS 0.902333
error errpr RG 0.345355667
nunca nunca RG 0.1489098
ninguna ninguno DI0S3DF 0.345344
third fourth VM34SDF 0.7865489

这是我想提取的模式，因为它们是一个接一个放置的。 这将成为列表中的理想输出：

[(nunca,RG),(second_word, VM223FDS)]

例如，这将是错误的 ，因为它们不是一个接一个：

nunca nunca RG 0.293030
prendas prenda NCFP000 0.95625
success success VM23434SDF 0.902333

所以对于s字符串：

s = '''Vaya ir VMM03S0 0.427083
mañanita mañana RG 0.796611
, , Fc 1
buscando buscar VMG0000 1
una uno DI0FS0 0.951575
lavadora lavadora NCFS000 0.414738
con con SPS00 1
la el DA0FS0 0.972269
que que PR0CN000 0.562517
sorprender sorprender VMN0000 1
a a SPS00 0.996023
una uno DI0FS0 0.951575
persona persona NCFS000 0.98773
muy muy RG 1
especial especial AQ0CS0 1
para para SPS00 0.999103
nosotros nosotros PP1MP000 1
, , Fc 1
y y CC 0.999962
la lo PP3FSA00 0.0277039
encontramos encontrar VMIP1P0 0.65
. . Fp 1

Pero pero CC 0.999764
vamos ir VMIP1P0 0.655914
a a SPS00 0.996023
lo el DA0NS0 0.457533
que que PR0CN000 0.562517
interesa interesar VMIP3S0 0.994868
LO_QUE_INTERESA_La lo_que_interesa_la NP00000 1
lavadora lavador AQ0FS0 0.585262
tiene tener VMIP3S0 1
una uno DI0FS0 0.951575
clasificación clasificación NCFS000 1
A+ a+ NP00000 1
, , Fc 1
de de SPS00 0.999984
las el DA0FP0 0.970954
que que PR0CN000 0.562517
ahorran ahorrar VMIP3P0 1
energía energía NCFS000 1
, , Fc 1
si si CS 0.99954
no no RN 0.998134
me me PP1CS000 0.89124
equivoco equivocar VMIP1S0 1
. . Fp 1

Lava lavar VMIP3S0 0.397388
hasta hasta SPS00 0.957698
7 7 Z 1
kg kilogramo NCMN000 1
, , Fc 1
no no RN 0.998134
está estar VAIP3S0 0.999201
nada nada RG 0.135196
mal mal RG 0.497537
, , Fc 1
se se P00CN000 0.465639
le le PP3CSD00 1
veía ver VMII3S0 0.62272
un uno DI0MS0 0.987295
gran gran AQ0CS0 1
tambor tambor NCMS000 1
( ( Fpa 1
de de SPS00 0.999984
acero acero NCMS000 0.973481
inoxidable inoxidable AQ0CS0 1
) ) Fpt 1
y y CC 0.999962
un uno DI0MS0 0.987295
error error NCFSD23 0.234930
error error VMDFG34 0.98763
consumo consumo NCMS000 0.948927
máximo máximo AQ0MS0 0.986111
de de SPS00 0.999984
49 49 Z 1
litros litro NCMP000 1
error error DI0S3DF 1
Mandos mandos NP00000 1
intuitivos intuitivo AQ0MP0 1
, , Fc 1
todo todo PI0MS000 0.43165
muy muy RG 1
bien bien RG 0.902728
explicado explicar VMP00SM 1
, , Fc 1
jamas jamas RG 0.343443
nada nada PI0CS000 0.850279
que que PR0CN000 0.562517
ver ver VMN0000 0.997382
con con SPS00 1
la el DA0FS0 0.972269
lavadora lavadora NCFS000 0.414738
de de SPS00 0.999984
nunca nunca RG 0.903
casa casa NCFS000 0.979058
de de SPS00 0.999984
mis mi DP1CPS 0.995868
error error VM9032 0.234323
string string VMWEOO 0.03444
padres padre NCMP000 1
Además además NP00000 1
incluye incluir VMIP3S0 0.994868
la el DA0FS0 0.972269
tecnología tecnología NCFS000 1
error errpr RG2303 1
Textileprotec textileprotec NP00000 1
que que PR0CN000 0.562517
protege proteger VMIP3S0 0.994868
nuestras nuestro DP1FPP 0.994186
ninguna ninguno DI0S3DF 0.345344
falla falla NCFSD23 1
prendas prenda NCFP000 0.95625
más más RG 1
preciadas preciar VMP00PF 1
jamas jamas RG2303 1
string string VM9032 0.234323
nunca nunca RG 0.293030
success success VM23SDF 0.902333
. . Fp 1'''

这是我试过的 ：

import re
pattern__ = re.findall(r'(?m)^.*?b(nunca)s+(S+)s+[0-9.]+n.*?s(S+)s+(VMS+)s+[0-9.]+$', s)

print pattern__

这个问题的问题是它返回一个空白列表： [] 。 任何想法如何解决这个问题，以获得：

[('nunca','RG'),('success','VM23SDF')]

在此先感谢你们！

---

假设格式的一致性，并且如果我明白可以只搜索word_2 ，那么正则表达式可以非常简单：

regex = re.compile("(nunca)s(S+)sdS*nS+s(S+)s(VM)", re.MULTILINE)
regex.findall(string)

我不是Python用户，我在这里测试了我的正则表达式

更新约翰修正后，新的正则表达式将是：

regex = re.compile("(nunca)s(S+)sdS*nS+s(S+)s(VM)(S+)?", re.MULTILINE)
regex.findall(string)

这样你就可以单独捕获虚拟机和ID。 如果你想让它们一起变成(VMS+)

---

您可以每次通过行检查一对行来解析文件行：

import csv
with open("in.txt") as f:
    reader = csv.reader(f,delimiter=" ")
    prev = next(reader)
    for row in reader:
        if "VM" in row and "nunca" in prev:
            nun, val, = prev[-3:-1]
            wrd, i = row[-3:-1]
            print(nun, val, wrd, i)
        prev = row

('nunca', 'RG', 'success', 'VM')

比使用正则表达式快近20倍：

In [1]: %%timeit
   ...: with open("test.txt") as f:
   ...:     import re
   ...:     pr= re.findall(ur'.*?b(nunca)s+(S+)s+[0-9.]+[rn]+S+s+(S+)s+(VM)s+[0-9.]+',f.read())
   ...: 
1000 loops, best of 3: 936 µs per loop

In [2]: import csv

In [3]: %%timeit
   ...: with open("test.txt") as f:
   ...:     reader = csv.reader(f,delimiter=" ")
   ...:     prev = next(reader)
   ...:     for row in reader:
   ...:         if "VM" in row and "nunca" in prev:
   ...:             nun, val, = prev[-3:-1]
   ...:             wrd, i = row[-3:-1]
   ...: 
10000 loops, best of 3: 59 µs per loop

为了您的更新：

import csv
with open(in.txt") as f:
    reader = csv.reader(f,delimiter=" ")
    prev = next(reader)
    for row in reader:
        if len(row) < 2:
            continue
        if row[-2].startswith("VM") and "nunca" in prev:
            nun, val, = prev[-3:-1]
            wrd, i = row[-3:-1]
            print(nun, val, wrd, i)
        prev = row

('nunca', 'RG', 'success', 'VM23SDF')

根据你的输入，似乎VM___总是倒数第二个元素，如果它可以在行中的任何地方使用：

`if any(ele.startswith("VM") for ele in row)`

---

我想这个正则表达式有助于：

ur'.*?b(nunca)s+(S+)s+[0-9.]+[rn]+S+s+(S+)s+(VMS+)s+[0-9.]+'

看演示。

链接地址: http://www.djcxy.com/p/25737.html

上一篇: How to fix a regex that attemps to catch some word and id?

下一篇: IOS MDM