如何提取以<>为界并以逗号分隔的引号中的元素列表-python，正则表达式？

Question

给定这样的字符串：

ORTH < "cali.ber,kl", 'calf' , "done" >,\nLKEYS.KEYREL.PRED "_calf_n_1_rel", 

使用正则表达式，我如何获得如下所示的元组：

('ORTH', ['cali.ber,kl','calf','done'])

我一直这样做：

txt = '''ORTH < "cali.ber,kl", 'calf' , "done" >,'''
e1 = txt.partition(" ")[0]
vs = re.search(r"<([A-Za-z0-9_]+)>", txt)
v = vs.group(1)
v1 = [i[1:-1] for i in vs.strip().strip("<>").split(",")]
print v1

但是re.search().group(1) 我没有得到任何消息。应该怎么做才能得到想要的输出？

Answer 1

你没有得到匹配的原因是你的正则表达式不匹配：

r"<([A-Za-z0-9_]+)>" 缺少逗号、引号和空格字符，根据您的示例，这些都可能出现在 < > 内。

这个匹配：

re.search(r"< ([A-Za-z0-9_.,\"' ]+) >", txt)

还有一点可能让您感到困惑的是，名称列表是用逗号分隔的，它本身可以是 values 的一部分，未转义。

这意味着您不能只用',' 拆分该字符串，而是需要考虑两个不同的引号字符（' 和"）来分隔字段。

所以我会使用这种方法：

• 使用re.match 将字符串拆分为PREFIX 部分，并丢弃其余部分。
• 使用re.findall()根据引号将名称拆分为字段

编辑：

1)根据您的第一条评论，您的数据还可以在包含换行符的前缀之前包含一个序言。 . 的默认行为是 to match everything except newlines。

来自 Python re 文档：

re.DOTALL

使'.' 特殊字符完全匹配任何字符，包括换行符；如果没有这个标志，'.' 将匹配除换行符以外的任何内容。

因此，您需要使用 re.DOTALL 标志构造该正则表达式。为此，您首先编译它并传递ORed 标志：

re.compile(pattern, flags=re.DOTALL)

2) 如果您在正则表达式中包含PREFIX 之前的空格字符，它将仅匹配实际包含该空格的数据 - 但不再匹配您的第一条示例数据。所以我使用.*?([A-Z\.]*)... 来涵盖这两种情况。 ? 用于非贪婪匹配，因此它匹配可能最短的匹配而不是最长的匹配。

3) 要覆盖PREFIX.FOO，只需将前缀模式扩展为([A-Z\.]*)，方法是包含. 字符并将其转义。

更新的示例涵盖了您提到的所有案例：

import re

TEST_VALUES = [
    """ORTH.FOO < "cali.ber,kl", 'calf' , "done" >,\nLKEYS.KEYREL.PRED "_calf_n_1_rel",""",
    """calf_n1 := n_-_c_le & n_-_pn_le &\n [ ORTH.FOO < "cali.ber,kl", 'calf' , "done" >,\nLKEYS.KEYREL.PRED "_calf_n_1_rel","""
]

EXPECTED = ('ORTH.FOO', ['cali.ber,kl','calf','done'])


pattern = re.compile(r'.*?([A-Z\.]*) < (.*) >.*', flags=re.DOTALL)


for value in TEST_VALUES:
    prefix, names_str = pattern.match(value).groups()
    names = re.findall('[\'"](.*?)["\']', names_str)

    result = prefix, names
    assert(result == EXPECTED)

print result