如何用括号外的逗号分割字符串？

Question

我得到了这样格式的字符串：

"Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"

所以基本上它是演员姓名的列表（可选地在括号中加上他们的角色）。角色本身可以包含逗号（演员的名字不能，我强烈希望如此）。

我的目标是将此字符串拆分为一对列表 - (actor name, actor role)。

一个明显的解决方案是遍历每个字符，检查'('、')' 和',' 的出现情况，并在出现逗号外部时将其拆分。不过这个好像有点重……

我正在考虑使用正则表达式拆分它：首先用括号拆分字符串：

import re
x = "Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
s = re.split(r'[()]', x) 
# ['Wilbur Smith ', 'Billy, son of John', ', Eddie Murphy ', 'John', ', Elvis Presley, Jane Doe ', 'Jane Doe', '']

这里奇怪的元素是演员的名字，甚至是角色。然后我可以用逗号分隔名称并以某种方式提取名称-角色对。但这似乎比我的第一种方法更糟糕。

有没有更简单/更好的方法来做到这一点，无论是使用单个正则表达式还是一段漂亮的代码？

Answer 1

一种方法是将findall 与一个正则表达式一起使用，该表达式贪婪地匹配可以在分隔符之间移动的内容。例如：

>>> s = "Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
>>> r = re.compile(r'(?:[^,(]|\([^)]*\))+')
>>> r.findall(s)
['Wilbur Smith (Billy, son of John)', ' Eddie Murphy (John)', ' Elvis Presley', ' Jane Doe (Jane Doe)']

上面的正则表达式匹配一个或多个：

• 非逗号、非开括号字符
• 以开括号开头、包含 0 个或多个非闭括号，然后是闭括号的字符串

这种方法的一个怪癖是相邻的分隔符被视为单个分隔符。也就是说，您不会看到空字符串。根据您的用例，这可能是错误或功能。

另请注意，正则表达式不适用于可能存在嵌套的情况。因此，例如，这会错误地拆分：

"Wilbur Smith (son of John (Johnny, son of James), aka Billy), Eddie Murphy (John)"

如果您需要处理嵌套，最好的办法是将字符串划分为括号、逗号和其他任何内容（本质上是对其进行标记——这部分仍然可以使用正则表达式完成），然后遍历这些标记重新组装字段，随时跟踪您的嵌套级别（这种跟踪嵌套级别是正则表达式自己无法做到的）。

Answer 2

s = re.split(r',\s*(?=[^)]*(?:\(|$))', x) 

lookahead 匹配直到下一个左括号或字符串末尾的所有内容，iff 之间没有右括号。这样可以确保逗号不在一组括号内。

Answer 3

我认为解决此问题的最佳方法是使用 python 的内置 csv 模块。

由于 csv 模块只有 allows 一个字符 quotechar，因此您需要对输入进行替换以将 () 转换为 | 或 " 之类的内容。然后确保您使用的是适当的方言，然后离开。

Answer 4

人类可读的正则表达式的尝试：

import re

regex = re.compile(r"""
    # name starts and ends on word boundary
    # no '(' or commas in the name
    (?P<name>\b[^(,]+\b)
    \s*
    # everything inside parentheses is a role
    (?:\(
      (?P<role>[^)]+)
    \))? # role is optional
    """, re.VERBOSE)

s = ("Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley,"
     "Jane Doe (Jane Doe)")
print re.findall(regex, s)

输出：

[('Wilbur Smith', 'Billy, son of John'), ('Eddie Murphy', 'John'), 
 ('Elvis Presley', ''), ('Jane Doe', 'Jane Doe')]

Answer 5

我的回答不会使用正则表达式。

我认为状态为“in_actor_name”的简单字符扫描器应该可以工作。请记住，状态“in_actor_name”在此状态下由 ')' 或逗号终止。

我的尝试：

s = 'Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)'

in_actor_name = 1
role = ''
name = ''
for c in s:
    if c == ')' or (c == ',' and in_actor_name):
        in_actor_name = 1
        name = name.strip()
        if name:
            print "%s: %s" % (name, role)
        name = ''
        role = ''
    elif c == '(':
        in_actor_name = 0
    else:
        if in_actor_name:
            name += c
        else:
            role += c
if name:
    print "%s: %s" % (name, role)

输出：

Wilbur Smith: Billy, son of John
Eddie Murphy: John
Elvis Presley: 
Jane Doe: Jane Doe

Answer 6

这是我过去在此类情况下使用的一般技术：

将re 模块的sub 函数与函数一起用作替换参数。该函数跟踪左括号、括号和大括号，以及单引号和双引号，并且仅在这些带括号和引用的子字符串之外执行替换。然后，您可以将非括号/引号逗号替换为您确定不会出现在字符串中的另一个字符（我使用 ASCII/Unicode 组分隔符：chr(29) 代码），然后执行一个简单的字符串。分裂那个角色。代码如下：

import re
def srchrepl(srch, repl, string):
    """Replace non-bracketed/quoted occurrences of srch with repl in string"""

    resrchrepl = re.compile(r"""(?P<lbrkt>[([{])|(?P<quote>['"])|(?P<sep>["""
                            + srch + """])|(?P<rbrkt>[)\]}])""")
    return resrchrepl.sub(_subfact(repl), string)

def _subfact(repl):
    """Replacement function factory for regex sub method in srchrepl."""
    level = 0
    qtflags = 0
    def subf(mo):
        nonlocal level, qtflags
        sepfound = mo.group('sep')
        if  sepfound:
            if level == 0 and qtflags == 0:
                return repl
            else:
                return mo.group(0)
        elif mo.group('lbrkt'):
            level += 1
            return mo.group(0)
        elif mo.group('quote') == "'":
            qtflags ^= 1            # toggle bit 1
            return "'"
        elif mo.group('quote') == '"':
            qtflags ^= 2            # toggle bit 2
            return '"'
        elif mo.group('rbrkt'):
            level -= 1
            return mo.group(0)
    return subf

如果您的 Python 版本中没有 nonlocal，只需将其更改为 global 并在模块级别定义 level 和 qtflags。

它的使用方法如下：

>>> GRPSEP = chr(29)
>>> string = "Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
>>> lst = srchrepl(',', GRPSEP, string).split(GRPSEP)
>>> lst
['Wilbur Smith (Billy, son of John)', ' Eddie Murphy (John)', ' Elvis Presley', ' Jane Doe (Jane Doe)']

Answer 7

这篇文章对我帮助很大。我正在寻找用引号外的逗号分隔字符串。我用这个作为首发。我的最后一行代码是regEx = re.compile(r'(?:[^,"]|"[^"]*")+') 这成功了。非常感谢。

Answer 8

我当然同意上面的@Wogan，即使用 CSV moudle 是一个好方法。话虽如此，如果您仍想尝试正则表达式解决方案，请尝试一下，但您必须使其适应 Python 方言

string.split(/,(?=(?:[^\"]*\"[^\"]*\")*(?![^\"]*\"))/)

HTH

Answer 9

用“)”分割

>>> s="Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
>>> s.split(")")
['Wilbur Smith (Billy, son of John', ', Eddie Murphy (John', ', Elvis Presley, Jane Doe (Jane Doe', '']
>>> for i in s.split(")"):
...   print i.split("(")
...
['Wilbur Smith ', 'Billy, son of John']
[', Eddie Murphy ', 'John']
[', Elvis Presley, Jane Doe ', 'Jane Doe']
['']

您可以进一步检查以获取那些不带 () 的名称。

Answer 10

如果您的数据中有任何错误或噪音，上述答案均不正确。

如果您知道数据每次都是正确的，就很容易想出一个好的解决方案。但是如果出现格式错误怎么办？你希望发生什么？

假设有嵌套括号？假设有不匹配的括号？假设字符串以逗号结尾或以逗号开头，或者连续两个？

以上所有解决方案都会产生或多或少的垃圾，并且不会向您报告。

如果由我决定，我会从对“正确”数据的非常严格的限制开始 - 没有嵌套括号，没有不匹配的括号，并且在 cmets 之前、之间或之后没有空段 - 在我去的时候验证，如果我无法验证，则引发异常。