Python - 试图捕获行的中间，正则表达式或拆分答案

【问题标题】：Python - trying to capture the middle of a line, regex or splitPython - 试图捕获行的中间，正则表达式或拆分
【发布时间】：2013-05-10 21:23:10
【问题描述】：

我有一个包含一些姓名、电子邮件和其他内容的文本文件。我想捕获电子邮件地址。

我不知道这是拆分问题还是正则表达式问题。

以下是一些示例行：

[name]bill billy [email]bill.billy@hotmail.com [dob]01.01.81
[name]mark hilly [email]mark.hilly@hotmail.com [dob]02.11.80
[name]gill silly [email]gill.silly@hotmail.com [dob]03.12.79

我希望能够循环打印所有电子邮件地址。

谢谢。

【问题讨论】：

获取电子邮件是您唯一想做的事情，还是可以想象您以后可能想对信息做更多的事情？如果是后者，我想你肯定想要 Blender 的答案。任何依赖普通split 来拆分字段的东西（就像这里的大多数答案一样）都不会适用于name；任何依赖splitting 围绕] 的东西都可能比正则表达式更复杂（尽管我很想被证明是错误的）。
我想我以后可能想用这个名字使邮件更具体

标签： python regex split

【解决方案1】：

我会使用正则表达式：

import re

data = '''[name]bill billy [email]bill.billy@hotmail.com [dob]01.01.81
[name]mark hilly [email]mark.hilly@hotmail.com [dob]02.11.80
[name]gill silly [email]gill.silly@hotmail.com [dob]03.12.79'''

group_matcher = re.compile(r'\[(.*?)\]([^\[]+)')

for line in data.split('\n'):
    o = dict(group_matcher.findall(line))
    print o['email']

\[ 字面意思是 [。
(.*?) 是一个非贪婪的捕获组。它“扩展”以捕获文本。
\] 字面意思是 ]
( 是捕获组的开始。
[^\[] 匹配除 [ 之外的任何内容。
+ 将最后一个模式重复任意次数。
) 关闭捕获组。

【讨论】：

是否有一些网站可以轻松描述 (r'[(.*?)]([^[]+)') 的工作原理，我想了解它，而不是简单地刻画它。但这很好！
@gjels：我不知道。请参阅我的编辑以获取简要说明。
@gjels：Python 的文档中有一个HOWTO，但它可能不是最适合初学者的教程；尝试为他人搜索。还可以获得一个正则表达式浏览器程序（每个平台都有数以千计的程序，加上一堆在线程序），这将帮助您玩转各种东西。只要确保你学习了 Python 语法——perl/PCRE 已经足够接近了，但是 grep、emacs 等则大不相同。
我知道这已经晚了，但regex101.com 给出了很好的解释，并允许您测试您的正则表达式。

【解决方案2】：

for line in lines:
   print line.split("]")[2].split(" ")[0]

【讨论】：

@karthikr：我想你忘记了 '[name' 将是拆分中的第一个值。
@abarnert 他之前有一个不同的答案，我的评论是针对那个

【解决方案3】：

您可以将子字符串传递给split，而不仅仅是单个字符，所以：

email = line.partition('[email]')[-1].partition('[')[0].rstrip()

这比简单的split 解决方案有一个优势，它适用于值中可以包含空格的字段，以及具有不同顺序的行（即使它们将[email] 作为最后一个字段）等。

概括一下：

def get_field(line, field):
    return line.partition('[{}]'.format(field)][-1].partition('[')[0].rstrip()

但是，我认为它仍然比正则表达式解决方案更复杂。另外，它一次只能搜索一个字段，而不是一次搜索所有字段（不会使其变得更加复杂）。要获得两个字段，您最终将解析每行两次，如下所示：

for line in data.splitlines():
    print '''{} "babysat" Dan O'Brien on {}'''.format(get_field(line, 'name'), 
                                                      get_field(line, 'dob'))

（当然，我可能误解了DOB 字段。）

【讨论】：

【解决方案4】：

可以按空格分割，然后搜索以[email]开头的元素：

line = '[name]bill billy [email]bill.billy@hotmail.com [dob]01.01.81'
items = line.split()
for item in items:
    if item.startswith('[email]'):
        print item.replace('[email]', '', 1)

【讨论】：

【解决方案5】：

假设你有一个带行的文件。

import re

f = open("logfile", "r")
data = f.read()

for line in data.split("\n"):
    match=re.search("email\](?P<id>.*)\[dob", line)
    if match:
             # either store or print the emails as you like
             print match.group('id').strip(), "\n"

就是这样（试试吧，对于上面的 python 3 n，记住 print 是一个函数，可以进行这些更改）！

样本数据的输出：

bill.billy@hotmail.com  

mark.hilly@hotmail.com  

gill.silly@hotmail.com  

>>>

【讨论】：

如果你只是匹配这样的固定字符串，那么使用正则表达式并没有真正的优势。将此与 Blender 的答案进行比较，它可以为您提供所有字段的名称和值，而不仅仅是您硬编码的任何一个，并且更加健壮（例如，重新排序列，以便 email 出现在 dob 之后之前的）。
我认为这是一个需要解决的具体问题，而不是一般问题。泛化扩展了“范围”，而健壮性就是“根据范围进行调整”。
如果您只是想解决特定问题，匹配固定文本字符串，正则表达式不会在简单拆分之上添加任何内容，它只会无缘无故地使其变慢且可读性降低。例如，与 JaniSOF 的解决方案进行比较。