使用正则表达式 python 由 `|` 分隔的标签中的错误

Question

我想在每个标签之前添加|。 请检查我使用的以下代码。

tags = ['XYZ', 'CREF', 'BREF', 'RREF', 'REF']

string_data = 'XYZ:MUMBAI UNIVERSITYCREF:PUNE UNIVERSITYBREF:DADAR UNIVERSITYRREF:KOLHAPUR UNIVERCITY LLCREF:SOLAPUR UNIVERSITY'

for each_tag in tags:
    result = string_data.replace(each_tag, "|" + each_tag)
    print(result)

我怎样才能使用正则表达式？

输入字符串：

XYZ:MUMBAI UNIVERSITYCREF:PUNE UNIVERSITYBREF:DADAR UNIVERSITYRREF:KOLHAPUR UNIVERCITY LLCREF:SOLAPUR UNIVERSITY

实际结果（错误）：

XYZ:MUMBAI UNIVERSITYC|REF:PUNE UNIVERSITYB|REF:DADAR UNIVERSITYR|REF:KOLHAPUR UNIVERCITY LLC|REF:SOLAPUR UNIVERSITY

预期结果：

|XYZ:MUMBAI UNIVERSITY|CREF:PUNE UNIVERSITY|BREF:DADAR UNIVERSITY|RREF:KOLHAPUR UNIVERCITY LLC|REF:SOLAPUR UNIVERSITY

有什么方法可以使用正则表达式吗？

Answer 1

重新导入

string = "XYZ:MUMBAI UNIVERSITYCREF:PUNE UNIVERSITYBREF:DADAR UNIVERSITYRREF:KOLHAPUR UNIVERSITY LLCREF:SOLAPUR UNIVERSITY"

regx = "(XYZ|[C|B|R]REF|REF):[a-zA-Z\s]+?(LLC)?(?=(XYZ|[C|B|R]REF )|REF|$)"

matches = re.finditer(regx, string)

标签 = []

匹配中的匹配： tag.append(match.group())

结果=“|” + "|".join(标签) 打印（结果）

Answer 2

您可以匹配可选的B 或R，或者在前面没有L 的情况下匹配C，使用否定后向查找。

(?:[BR]?|(?<!L)C)REF|^(?!\|)

说明

• (?:非捕获组
  • [BR]? 匹配可选的 B 或 R
  • |或者
  • (?<!L)C 匹配 C 并断言左边的不是 L
• )关闭群
• REF 字面匹配
• |或者
• ^(?!\|) 断言字符串的开头不是直接跟在 | 之后，以防止在已经存在的情况下以双 || 开头

Regex demo | Python demo

在替换中使用以管道开头的匹配

|\g<0>

例如

import re

regex = r"(?:[BR]?|(?<!L)C)REF|^(?!\|)"
test_str = "XYZ:MUMBAI UNIVERSITYCREF:PUNE UNIVERSITYBREF:DADAR UNIVERSITYRREF:KOLHAPUR UNIVERCITY LLCREF:SOLAPUR UNIVERSITY"
subst = "|\\g<0>"
result = re.sub(regex, subst, test_str)

print (result)

输出

|XYZ:MUMBAI UNIVERSITY|CREF:PUNE UNIVERSITY|BREF:DADAR UNIVERSITY|RREF:KOLHAPUR UNIVERCITY LLC|REF:SOLAPUR UNIVERSITY

Answer 3

由于您最重要的问题是正确拆分字符串，因此我仅尝试解决此问题。您可以在之后附加和前置 |。

这种模式似乎奏效了：

(XYZ|CREF|BREF|RREF|REF):[a-zA-Z\\s]+?(LLC)?(?=(XYZ|CREF|BREF|RREF|REF)|$)

解释：

1. (XYZ|CREF|BREF|RREF|REF): ： 这很明显。您正在寻找标签的开头。顺序很重要。也就是把最短的子串REF放在最后。
2. [a-zA-Z\\s]+? ：匹配标记后出现的任何字符和空格，不情愿地。不情愿，因为如果引擎到达CREF 的开头，我们希望它停在那里而不是“贪婪地”获取更多字符。由于使用了“不情愿”，第 (4) 点中的标签顺序很重要。
3. (LLC)? : 这是一种以标签开头的字符序列结尾的所有已知单词的例外列表。 （为此，我想不出任何其他方式。）必须知道异常列表，并且可以单独配置并附加到模式运行时。如果事先知道输入数据结构并且此类异常是有限且已知的，则这不是瓶颈。否则，是的。
4. (?=(XYZ|CREF|BREF|RREF|REF)|$) : 确保引擎在发现其中一个标签出现时停止。 $ 允许在输入结束时停止，如果没有更多标签。

这将为您提供的输入字符串提供以下输出：

XYZ:MUMBAI UNIVERSITY
CREF:PUNE UNIVERSITY
BREF:DADAR UNIVERSITY
RREF:KOLHAPUR UNIVERCITY LLC
REF:SOLAPUR UNIVERSITY

编辑

添加我测试过的 Python 3.8.1 代码：

import re

s = "XYZ:MUMBAI UNIVERSITYCREF:PUNE UNIVERSITYBREF:DADAR UNIVERSITYRREF:KOLHAPUR UNIVERCITY LLCREF:SOLAPUR UNIVERSITY"

p = "(XYZ|CREF|BREF|RREF|REF):[a-zA-Z\\s]+?(LLC)?(?=(XYZ|CREF|BREF|RREF|REF)|$)"

matches = re.finditer( p,s )

tag_list = [ m.group() for m in matches ]
s2 = "|" + "|".join( tag_list )
print( s2 )

Answer 4

您的问题是 'CREF'、'BREF'、'RREF' 和 'REF' 之间的重复 - 因为 'REF' 在所有其他三个中，如果您将代码修复为此，您最终会得到重复的替换：

tags = ['XYZ', 'CREF', 'BREF', 'RREF', 'REF']

string_data = 'XYZ:MUMBAI UNIVERSITYCREF:PUNE UNIVERSITYBREF:DADAR UNIVERSITYRREF:KOLHAPUR UNIVERCITY LLCREF:SOLAPUR UNIVERSITY'

for each_tag in tags:
    string_data= string_data.replace(each_tag, "|" + each_tag)
    print(string_data)

您需要确保仅在 'C'、'B' 或 'R' 之前没有替换 'REF'。

请注意，对于 XYZ:CARE BEARREF 等某些情况，这仍然会导致问题。 IE。你可能会期待|XYZ:CARE BEAR|REF，但你会得到|XYZ:CARE BEA|RREF。如果您想避免这种情况，您需要更准确地了解实际规则。

如果您知道不会发生此类问题，这可行：

import re

string_data = 'XYZ:MUMBAI UNIVERSITYCREF:PUNE UNIVERSITYBREF:DADAR UNIVERSITYRREF:KOLHAPUR UNIVERCITY LLCREF:SOLAPUR UNIVERSITY'

result = re.sub("(XYZ|CREF|BREF|RREF|REF)", r"|\1", string_data )
print(result)

这避免了特定的检查，因为正则表达式会考虑排序，并且在文本已作为先前值的一部分匹配后不会匹配 REF。