Python - 解析不一致分隔的数据表

Question

我有一个电子邮件文件夹，其中包含我需要提取并放入数据库的数据。这些电子邮件的格式都不同，所以我按照格式的相似程度对它们进行了分组。以下两封电子邮件正文是我现在尝试解析的示例：

1)

2)

因此，在我尝试提取有价值的数据（鱼群、重量、价格、部门、日期）时，我尝试了几种方法。我有一个所有可能的 30 多只股票的列表，我在整个电子邮件上运行了一个正则表达式。

fishy_re = re.compile(r'({}).*?([\d,]+)'.format('|'.join(stocks)), re.IGNORECASE|re.MULTILINE|re.DOTALL)

有人告诉我，这个 RegEx 将搜索任何出现的鱼，然后捕获后面的下一个数字，然后将两者组合在一起......它完美地完成了这项工作。但是，当我尝试添加一个额外的 .*?([\d,]+) 块来捕获 NEXT 数字（价格，如电子邮件 2 中所示）时，它无法做到这一点。

我的 RegEx 试图抢价格是不是错了？

此外，在尝试处理具有Package 交易（电子邮件 1）的电子邮件时，我再次尝试使用 RegEx 搜索包含单词 Package 的任何行，然后捕获其后面的下一个数字线。

word = ['package']
package_re = re.compile(r'({}).*?([\d,]+)'.format('|'.join(word)), re.IGNORECASE|re.MULTILINE|re.DOTALL)

但这不会产生任何结果......即使执行以下简单命令：

with open(file_path) as f:
    for line in f:
        for match in package2_re.finditer(f.read()):
            print("yes")

无法打印yes。

那么有没有更有效的方法来提取Package的价格信息呢？

谢谢。

Answer 1

我创建了自己的测试电子邮件并像这样解析它：

import bs4       # BeautifulSoup html parsing
import email     # built-in Python mail-parsing library

FNAME = "c:/users/Stephen/mail/test.eml"    # full path to saved email

# load message
with open(FNAME) as in_f:
    msg = email.message_from_file(in_f)

# message is multipart/MIME - payload 0 is text, 1 is html
html_msg = msg.get_payload(1)
# grab the body of the message
body = html_msg.get_payload(decode=True)
# convert from bytes to unicode
html = body.decode()

# now parse to get table
table = bs4.BeautifulSoup(html).find("table")
data = [[cell.text.strip() for cell in row.find_all("td")] for row in table.find_all("tr")]

返回类似的东西

[
    ['', 'LIVE WGT', ''],
    ['BGE COD', '746', ''],
    ['GBW CODE', '13,894', ''],
    ['GOM COD', '60', 'Package deal $52,500.00'],
    # etc
]