在 Python 中使用正则表达式从文本中提取列表

Question

我希望从以下字符串中提取元组列表：

text='''Consumer Price Index:
        +0.2% in Sep 2020

        Unemployment Rate:
        +7.9% in Sep 2020

        Producer Price Index:
        +0.4% in Sep 2020

        Employment Cost Index:
        +0.5% in 2nd Qtr of 2020

        Productivity:
        +10.1% in 2nd Qtr of 2020

        Import Price Index:
        +0.3% in Sep 2020

        Export Price Index:
        +0.6% in Sep 2020'''

我正在使用 'import re' 进行处理。

输出应该是这样的：[('Consumer Price Index', '+0.2%', 'Sep 2020'), ...]

我想使用生成上述输出的 re.findall 函数，到目前为止我有这个：

re.findall(r"(:\Z)\s+(%\Z+)(\Ain )", text)

我要识别“:”之前的字符，然后是“%”之前的字符，然后是 'in' 之后的字符。

我真的不知道如何继续。任何帮助，将不胜感激。谢谢！

Answer 1

您可以使用

re.findall(r'(\S.*):\n\s*(\+?\d[\d.]*%)\s+in\s+(.*)', text)
# => [('Consumer Price Index', '+0.2%', 'Sep 2020'), ('Unemployment Rate', '+7.9%', 'Sep 2020'), ('Producer Price Index', '+0.4%', 'Sep 2020'), ('Employment Cost Index', '+0.5%', '2nd Qtr of 2020'), ('Productivity', '+10.1%', '2nd Qtr of 2020'), ('Import Price Index', '+0.3%', 'Sep 2020'), ('Export Price Index', '+0.6%', 'Sep 2020')]

参见regex demo and the Python demo。

详情

(\S.*) - 第 1 组：一个 non-whitespace 字符后跟任何零个或多个字符（换行符字符除外）尽可能多
: - 冒号
\n - 一个换行符
\s* - 0 个或更多空格
(\+?\d[\d.]*%) - 第 2 组：可选 +，一个数字，零个或多个 digits/dots，以及一个 %
\s+in\s+ - in 包含 1+ 个空格
(.*) - 第 3 组：除换行字符外的任何零个或多个字符尽可能多

Answer 2

正则表达式不是解决此问题的好方法。它很难快速阅读和维护。使用 pythons 字符串函数可以做得更干净：

list_of_lines = [
    line.strip()                 # remove trailing and leading whitespace
    for line in text.split("\n") # split up the text into lines
    if line                      # filter out the empty lines
]

list_of_lines 现在是：

['Consumer Price Index:', '+0.2% in Sep 2020', 'Unemployment Rate:', '+7.9% in Sep 2020', 'Producer Price Index:', '+0.4% in Sep 2020', 'Employment Cost Index:', '+0.5% in 2nd Qtr of 2020', 'Productivity:', '+10.1% in 2nd Qtr of 2020', 'Import Price Index:', '+0.3% in Sep 2020', 'Export Price Index:', '+0.6% in Sep 2020']

现在我们所要做的就是从这个列表的成对元素构建元组。

def pairwise(iterable):
    "s -> (s0, s1), (s2, s3), (s4, s5), ..."
    a = iter(iterable)
    return zip(a, a)

（来自 here）

现在我们可以得到我们想要的输出：

print(pairwise(list_of_lines))

[('Consumer Price Index:', '+0.2% in Sep 2020'), ('Unemployment Rate:', '+7.9% in Sep 2020'), ('Producer Price Index:', '+0.4% in Sep 2020'), ('Employment Cost Index:', '+0.5% in 2nd Qtr of 2020'), ('Productivity:', '+10.1% in 2nd Qtr of 2020'), ('Import Price Index:', '+0.3% in Sep 2020'), ('Export Price Index:', '+0.6% in Sep 2020')]

在 Python 中使用正则表达式从文本中提取列表

Extracting a List from Text using Regular Expression in Python

python

regex

text-mining