使用正则表达式解析格式错误的字符串

Question

我正在用 Python 解析一个巨大的文件，其中包含以下行：

"Value names: 0 = Something, 1 = Something, else, 4 = A value, 5 = BAD - enough, 6 GOOD, 7 = Ugly,"

我的目标是将它们放入字典中。

问题在于它们的书写方式根本不一致，其中一些缺少逗号、等号等。而且名称中可能还有逗号和其他东西。数字（键）也可能包含多个数字。我唯一确定的是，名字中没有数字。

正因为如此，我想尝试一下正则表达式，但结果比预期的要困难一些。

我试过的是这个。

s = "Value names:  0 = Something, 1 = Something, else, 4 = A value 5 = BAD, 6 GOOD, 7 = Ugly,"
pattern = re.compile(r'([0-9]+)([A-Z]+)')

for (numbers, letters) in re.findall(pattern, s):
    ...

但是，这（对于受过训练的眼睛来说可能很明显）不起作用。

由于我对正则表达式不是很精通，因此我非常感谢一些帮助，因为我无法直接编辑文件，而且所有手动解析技巧似乎都不足。

Answer 1

你可以使用

(?P<keys>\d+)\s*(?:=\s*)?(?P<values>.*?)(?=\s*(?:,\s*)?(?:\d|\Z))

请参阅regex demo。 详情：

• (?P<keys>\d+) - 组“键”：一位或多位数字
• \s* - 零个或多个空格
• (?:=\s*)? - = 和零个或多个空格的可选序列
• (?P<values>.*?) - 组“值”：除换行符之外的任何零个或多个字符，尽可能少
• (?=\s*(?:,\s*)?(?:\d|\Z)) - 在当前位置的右边，必须有
  • \s* - 零个或多个空格
  • (?:,\s*)? - , 和零个或多个空格的可选序列
  • (?:\d|\Z) - 数字或字符串结尾。

见Python demo：

import re
text = "Value names:  0 = Something, 1 = Something, else, 4 = A value, 5 = BAD - enough, 6 GOOD, 7 = Ugly,"
pattern = r"(?P<keys>\d+)\s*(?:=\s*)?(?P<values>.*?)(?=\s*(?:,\s*)?(?:\d|\Z))"
for match in re.finditer(pattern, text):
    print(match.groupdict())

输出：

{'keys': '0', 'values': 'Something'}
{'keys': '1', 'values': 'Something, else'}
{'keys': '4', 'values': 'A value'}
{'keys': '5', 'values': 'BAD - enough'}
{'keys': '6', 'values': 'GOOD'}
{'keys': '7', 'values': 'Ugly'}