通过正则表达式与多个捕获组和 OR | 拆分字符串运营商答案

【问题标题】：Splitting up a string by regex with multiple capture groups and OR | operators通过正则表达式与多个捕获组和 OR | 拆分字符串运营商
【发布时间】：2021-12-07 15:27:04
【问题描述】：

import re
splitRegex = r"(Personal Info|Personal|Personal Information)|(Work Experience|Work)|(Education|School|Certificates)"

text = "Personal Info\nText\nText\nText\nText\nWork Experience\nText\nText\nText\nText\nEducation\nText\nText\nText\nText\nText"

x = [tuple(i.splitlines()) for i in re.split(splitRegex, text) if i != ""]
d = dict([("".join(x[i]), x[i + 1]) for i in range(0, len(x) // 2, 2)])
print(d)

在上面的示例代码中，我想根据标题拆分文本。我想通过正则表达式确定这些标题（因为可以有同义词）re.split 但通常返回 NoneType。这显然会导致错误。如果我添加一个 if 条件来检查我是否不是 None，那么错误就会消失，但字典最终会丢失很多数据。

有没有人知道解决这个问题的方法或实现相同目标的方法？

请记住，以上只是一个示例。我需要将其用于简历/简历，因此布局和标题可能会根据使用的简历略有不同。

【问题讨论】：

标签： python regex

【解决方案1】：

您将获得所有不匹配的组的None，因为re.split() 包括结果列表中的所有捕获组。

您应该将每个备选列表放在一个非捕获组中，然后将它们全部放在一个捕获组中，这样您就可以得到匹配的标签。

splitRegex = r"((?:Personal Info|Personal|Personal Information)|(?:Work Experience|Work)|(?:Education|School|Certificates))"

【讨论】：

这确实修复了整个 NoneType 错误，这很棒！但由于某种原因，我仍然最终会丢失数据。（例如字典中的 67 行（包括标题）与总行数 80 行）
我注意到，如果我将 re.split 调用分开，它确实会找到所有数据，所以在 if 条件的某个地方出现了问题。但我不明白为什么..
如果你能做一个小例子来说明问题，我可以尝试诊断它。

【解决方案2】：

您可以在循环级别去掉结果中的NoneType：

    x = [tuple(i.splitlines()) for i in re.split(splitRegex, text) if (i != "" and i != None)]

这样x 将类似于：

    [('Personal Info',), ('', 'Text', 'Text', 'Text', 'Text'), 
    ('Work Experience',), ('', 'Text', 'Text', 'Text', 'Text'), 
    ('Education',), ('', 'Text', 'Text', 'Text', 'Text', 'Text')]

这可能会让你的 dict 构造函数开心。

【讨论】：

我试过这个，但它似乎导致大量数据丢失。在我的示例数据中，原始数据似乎有大约 115 行，而字典最终大约有 85 行。
@SanderBerntsen 也许您可以发布更多数据，类似于您实际拥有的数据，特别是与您的脚本丢失的行类似的行。