需要 REGEX 帮助返回关键字之间的多行

Question

纠结了两天终于敢问了

这是我的数据（文件）：

EXH;2;20180514103023+00;
TSH;FI__REPLACEMGA_LOS_92_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_92_12345;;;;;;LOS_92_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;
TSH;FI__REPLACEMGA_LOS_93_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_93_12345;;;;;;LOS_93_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;
TSV;4;201805120300+00;0.000000;Z01;
TSH;FI__REPLACEMGA_LOS_96_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_96_12345;;;;;;LOS_96_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;
TSV;4;201805120300+00;0.000000;Z01;
TSH;FI__REPLACEMGA_LOS_97_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_97_12345;;;;;;LOS_97_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;
TSV;4;201805120300+00;0.000000;Z01;
EXT;

我想从正则表达式中得到 4 个块（4 个匹配项），例如：

TSH;FI__REPLACEMGA_LOS_92_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_92_12345;;;;;;LOS_92_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;

在每场比赛中，我将进一步应用一些正则表达式。但是现在，我无法为 return 那些匹配项制作正则表达式。

这是我尝试过的：

(TSH;FI(?:.*?\r?\n?)*(?<=TSH;))+

但是这个 return 仅匹配 2 次（每秒），可能是因为它在匹配后消耗了块的每个 "TSH;"。

(TSH;(?:.*?\r?\n?)*)+(?<=\nTSH;)

这个找到 4 "TSH;" 但不是完整的块。

需要帮助:) P.S。将用于 Python

Answer 1

您可以使用以下模式：

(?s)^TSH;.*?Z01;(?=\nTSH|\nTSV;4)

(?s) re.DOTALL 选项。
^TSH; 匹配字符串开头的子字符串 TSH;。
.*? 懒惰地匹配任何东西。
Z01; 匹配子串 Z01;.
(?=\nTSH|\nTSV;4)。 TSH 或 TSV;4.

你可以现场试一下here。

在Python中你可以使用：

print(re.findall(r'^TSH;.*?Z01;(?=\nTSH|\nTSV;4)',mystr,re.DOTALL|re.MULTILINE))

Answer 2

老实说，我根本不会为这项工作使用正则表达式。

似乎更容易拆分 TSH 然后稍后清理它。

所以如果数据在data，我们可以这样做：

blocks = [ "TSH" + block for block in data.split("TSH") ]

第一个块是假的，所以去掉它：

blocks = blocks[1:]

最后一个块有额外的 "EXT;\n"，所以也把它清理干净：

blocks = blocks[-1] = blocks[-1][:-len("EXT;\n")]

就是这样，你已经完成了。

当然，这是假设 TSH 不会出现在您的数据中间。如果是这样，您可以按换行符拆分数据，查看哪些行以 TSH 开头，然后使用这些索引来分割您的数据。

这是一个真正令人讨厌的单行代码：

["\n".join(data.split()[i:j]) for i, j in zip(*(lambda a, b: (a, next(b) and b))(*itertools.tee(itertools.chain(( i for i, line in enumerate(data.split()) if line.startswith("TSH")), (len(data.split()),)))))]

Answer 3

再也不敢问是否奋斗再久。我打赌你正在寻找这个：

TSH(?:\n|.)+?(?=\nTSH|\nEXT|\nTSV;4)

Regex101 上的演示和此处的解释：

TSH 很明显，字面上匹配
(?:\n|.) 是一组非捕获字符。因为 . 匹配任何字符（行结束符除外），所以你必须添加一个换行符 \n.
(?:\n|.)+? 至少匹配上述组中的一个字符
(?=\nTSH|\nEXT|\nTSV;4)直到达到其中一个终止条件。注意\n，否则也会匹配空行。

Answer 4

这里是更正后的测试数据：

EXH;2;20180514103023+00;
TSH;FI__REPLACEMGA_LOS_92_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_92_12345;;;;;;LOS_92_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;
TSV;4;201805120300+00;0.000000;Z01;
TSH;FI__REPLACEMGA_LOS_93_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_93_12345;;;;;;LOS_93_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;
TSV;4;201805120300+00;0.000000;Z01;
TSH;FI__REPLACEMGA_LOS_96_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_96_12345;;;;;;LOS_96_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;
TSV;4;201805120300+00;0.000000;Z01;
TSH;FI__REPLACEMGA_LOS_97_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_97_12345;;;;;;LOS_97_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;
TSV;4;201805120300+00;0.000000;Z01;
EXT;

用

这样的表达式

(?s)^TSH;.*?Z01;(?=\nTSH|\nEXT)

我确实得到了匹配，就像我想要 TSH 块一样......记录如下：

TSH;FI__REPLACEMGA_LOS_92_12345;1;1;HOUR;kWh;24;201805120000+00;201805130000+00;LOS_92_12345;;;;;;LOS_92_12345;;;
TSV;1;201805120000+00;0.000000;Z01;
TSV;2;201805120100+00;0.000000;Z01;
TSV;3;201805120200+00;0.000000;Z01;
TSV;4;201805120300+00;0.000000;Z01;

非常感谢 UnbearableLightness

需要 REGEX 帮助返回关键字之间的多行

Need REGEX help returning multiple lines between keywords

python

regex

string

multiline