正则表达式匹配字符串中任意数量的标记

Question

我有以下格式的演讲者信息列表（注意：列表来自LibriSpeech语料库）：

58 | M | train-other-500 | 30.06 | George Coutts

|（管道）将行划分为：

• 演讲者ID
• 性
• 语料库的子集
• 录音分钟数
• 演讲者姓名

我想使用正则表达式在 Python 中提取此信息。到目前为止，我使用了以下正则表达式：

(?P<speaker_id>.*)\|(?P<sex>.*)\|(?P<subset>.*)\|(?P<minutes>.*)\|(?P<speaker_name>.*)(?=.*)

这几乎适用于所有情况，除非扬声器名称本身包含管道字符（至少有一个扬声器的情况）。然后正则表达式通过贪婪地匹配第一组（然后还包含性别和子集信息）以错误的方式拆分不同的组。

请参阅https://regex101.com/r/GQzWOg/2 以获取演示。

如何使正则表达式匹配最后一个管道之后的所有内容作为speaker_name 组？

我已经尝试过使用 positive lookahead 进行试验，但我真的无法理解这个......

Answer 1

你可以让你的正则表达式更具体一点：

^(?P<speaker_id>\d+)\s*\|\s*(?P<sex>[MF])\s*\|\s*(?P<subset>.*?)\s*\|\s*(?P<minutes>\d[\d.]*)\s*\|\s*(?P<speaker_name>.*)

见regex demo

分解：

• ^ - 字符串的开头（如果您使用 re.M 标志，则为行）
• (?P<speaker_id>\d+) - 1 位以上
• \s*\|\s* - | 包含 0+ 个空格
• (?P<sex>[MF]) - M 或 F（针对性别）
• \s*\|\s* - | 包含 0+ 个空格
• (?P<subset>.*?) - 除换行符以外的任何 0+ 字符尽可能少
• \s*\|\s* - | 包含 0+ 个空格
• (?P<minutes>\d[\d.]*) - 一个数字，然后是 0+ 数字或 .
• \s*\|\s* - | 包含 0+ 个空格
• (?P<speaker_name>.*) - 除了换行符之外的任何 0+ 个字符，直到字符串/行的末尾。