用于重叠/混合行的 REGEX

Question

我遇到了一个非常烦人的问题，这是由于不可靠的 PDF 数字化造成的。

无论如何，理想情况下，一系列具有不同列的行应该这样表示：

Code  Cost  Quantity
ABC  45.00  4
FED  60.00  5
GHK  30.00  5

使用正则表达式很容易将它们分成行，然后获取每一列。

但是，我发现一个特别烦人的文字总是这样出现：

Code  Cost  Quantity
ABC FED GHK   45.00 60.00 30.00  4 5 5

我一生都无法弄清楚如何让正则表达式分离出每个重叠的行，就像在第一个示例中一样。积极的前瞻可以让我得到一些帮助，但通常会发生 ABC 45.00 4 然后 FED 45.00 4，我建立的前瞻不会遍历所有单独的列。

我怀疑我可以使用命名模式或其他东西，匹配第一组：

(?>(?<match1>((?>\s|\b)\w{3}\s).+\s+\s(\d+\.\d{2})\s.*\s+\s(\d{1})\s.*))

然后以某种方式重用该捕获组，对其进行迭代。

坚持积极的展望只会迭代第一组，所以我显然在做一些愚蠢的事情：

https://regex101.com/r/Uxx8bZ/1

理论上我可以用其他方式分隔行（例如，对于每个大空间，这是一列），但似乎这应该是可能的。

帮助表示赞赏！

Answer 1

在示例数据中，伴随的数据是 3 次空白字符，然后是右侧的非空白字符。

如果该结构始终相同，您可以捕获大写字符，并捕获前瞻断言中的其他 2 个字段。

([A-Z]+)(?=\s+\S+\s+\S+\s+(\d+(?:\.\d+)?)\s+\S+\s+\S+\s+(\d+))

• ([A-Z]+) 在组 1 中捕获 1+ 次字符 A-Z
• (?= 正向前瞻，向右断言
  • \s+\S+\s+\S+\s+(\d+(?:\.\d+)?) 在组 2 中 3 个字段捕获 1+ 个数字，其中包含可选的小数部分
  • \s+\S+\s+\S+\s+(\d+) 3 个字段后，在 group 3 中捕获 1+ 个数字
• ) 关闭前瞻

查看regex demo

使用re.findall 获取捕获组值的示例：

import re

pattern = r"([A-Z]+)(?=\s+\S+\s+\S+\s+(\d+(?:\.\d+)?)\s+\S+\s+\S+\s+(\d+))"
s = r"ABC FED GHK   45.00 60.00 30.00  4 5 5"
print(re.findall(pattern, s))

输出

[('ABC', '45.00', '4'), ('FED', '60.00', '5'), ('GHK', '30.00', '5')]