使用正则表达式和 python 来查找唯一的数字格式

Question

我有一个非常大的文本文件（45000 行），其中 ID # 的格式为 4 或 5 个数字，后跟 2 或 3 个数字，最后有时是一个字母。

示例格式：

XXXX-XX XXXXX-XX ,XXXXX-XXw, XXXXX-XXw, XXXXX-XXww

((其中 w 是一个字母，X 是一个数字))

大多数值的格式为#####-## 或####-##，但大块的末尾有 1 个或多个字母。

我想要做什么：每当有一个值末尾有一个字母时，我想将它存储在字典中并跟踪与正常格式不同的字母的所有唯一值，然后打印出来字典。

因此对于以下值：11111-12s 或 1111-12a 或 11234-24b 我想存储字母值 (s, a , b) 并查看差异。我目前只显示值并重复：

import re

sampleFile = open("Sample.txt", "r")

#regEX formats
sample = re.compile(r'(\d{4,5}-\d\d\w{1,4})')

for line in sampleFile:
    sampleNum = sample.findall(line)
    for word in sampleNum:
        print word

我将如何针对正则表达式的 w{1,4} 部分的唯一值并将它们存储在字典中？

编辑：当我在上面运行时，这是我得到的数字示例：

12647-01a 12627-02R 12606-01a 12588-02a 12583-01S 12583-01R

所以末尾的那些值会有所不同，我只想将结尾字母（有时有 2 个或更多）存储在字典或集合中。希望这会有所帮助

Answer 1

读取您的正则表达式的简单集合应该与您澄清的评论相匹配：

import re
uniq = set()
with open('Sample.txt') as fin:
    for line in fin:
        ma = re.search(r'(\w{1,4})$', line)
        if not ma:
            continue
        uniq.add(ma.group(1))

print(uniq)