使用 Python 正则表达式自动提取文本

Question

我正在从事一个自动化项目，该项目涉及使用解析 txt 文件并重复提取关键字后的 3 行数据的 python 脚本。为了给出上下文，txt 文件包含数百个相同的格式字母，除了末尾的名称和地址。我的最终目标是遍历所有这些套用信函，提取姓名和地址，然后使用 openpyxl 将它们放入 Excel 电子表格中。下面是一个txt文档长什么样子的例子……

Dear Sir,

Body of letter that is the same for all of the letters. Etc.

Sincerely,

Mr. John Smith
123 Any Street
Anytown, USA 11111

---

Dear Sir,

Body of letter that is the same for all of the letters. Etc.

Sincerely,

[Ms.] [Jane] [Doe]
[456 Some Lane]
[Sometown, USA 22222]

---

等等。 （这些字母以不同的名称不断出现，需要提取）

---

我的问题是如何在 python 中使用正则表达式来设置“最后一个单词关键字”（在这批特定的字母“真诚”中，但可以在另一个单独的 txt 文件中更改为“问候”之类的其他内容）并提交记住上面显示的每个括号中的项目（括号对应于最终的 Excel 列，如后缀、名字、姓氏、地址、城镇）并逐个遍历数百个字母？一般来说，使用 regex 或 python 这样做很简单吗？我想我可以为一个字母做到这一点，但我被困在如何继续下一个字母的下一个结尾关键字。如果有人对解决此问题的最有效方法有任何想法，我将不胜感激！另外，我知道发布我最初解决问题的方法是一种习惯，但是对正则表达式操作完全不熟悉，我的尝试甚至没有接近。另外，如果我是新来的，如果我在 Stack Overflow 问题上做一些非正统的事情，请告诉我。

---

示例输入：字母 input.txt
2017 年 3 月 30 日收到的电子邮件：

Dear Sir,

I would be delighted to be placed on your mailing list. Please keep up the great work!

Sincerely,

Mr. Thomas Dahlmer
46 Alpine Street
Evanston, Il 60201

2017 年 3 月 30 日收到的电子邮件：

尊敬的先生，

我很高兴被列入您的邮寄名单。请继续努力！

此致，

先生。罗伯特·诺兰
麦迪逊大道 1104 号
纽约，纽约 10021

2017 年 3 月 30 日收到的电子邮件：

Dear Sir,

I would be delighted to be placed on your mailing list. Please keep up the great work!

Sincerely,

Ms. Angela Carraway <br/>
402 Arlington Drive <br/>
Concord, MA 01742

---

示例输出
字母输出.txt

Mr. Thomas Dahlmer <br/>
46 Alpine Street <br/>
Evanston, Il 60201

Mr. Robert Nolan <br/>
1104 Madison Avenue <br/>
New York, NY 10021

Ms. Angela Carraway <br/>
402 Arlington Drive <br/>
Concord, MA 01742

Answer 1

有点长：Sincerely,[\s\n]+([\w\.]+)\s+(\w+)\s+(\w+)[\s\n]+(\d+\s\w+\s\w+)[\s\n]+(\w+\s?\w+,\s\w+\s\d+)

它捕获为 5 个组：Title、Firstname、Lastname、Address1、Address2

演示：https://regex101.com/r/kkNWWB/3

有五个括号，每个括号代表一个捕获组：

([\w\.]+) 匹配并捕获第一组：标题

(\w+) 匹配并捕获第二组：Firstname

(\w+) 匹配并捕获第三组：姓氏

(\d+\s\w+\s\w+) 匹配并捕获第四组：Address1

(\w+\s?\w+,\s\w+\s\d+)匹配并捕获第五组：Address2

正则表达式的其余部分只是填补了捕获组之间的空白，它们只匹配但不捕获。