我是 Python 新手，现在我正试图从一组包含员工相关统计数据的段落中提取信息。
例如，段落可能如下所示：
姓名 Rakesh Rao 年龄 34 性别 男性 婚姻状况 单身
整个文本没有被任何逗号分隔，所以我很难区分这些信息。
此外，有时变量名称后可能有一个冒号，有时可能没有。例如，在第 1 行，它是 "Name Rakesh Rao"，但在第 2 行，它是 "Name: Ramachandra Deshpande"。
这些信息大约有 1400 条记录，所以如果我不必手动分离这些信息，那就太好了。 有人能帮忙吗？我将非常感激！
【问题讨论】：
标签： python regex text text-extraction
好吧，我想你可以尝试使用正则表达式来做到这一点。 如果您的文字正是这样：
paragraph = 'Name Rakesh Rao Age 34 Gender Male Marital Status Single'
你可以使用这个正则表达式（你必须先import re）：
m = re.fullmatch(
(
r'Name(?:\:)? (?P<name>\D+) ' # pay attention to the space at the end
r'Age(?:\:)? (?P<age>\d+) '
r'Gender(?:\:)? (?P<gender>\D+) '
r'Marital Status(?:\:)? (?P<status>\D+)' # no space here, since the string ends
),
paragraph
)
然后您可以使用正则表达式中定义的组的名称，如下所示：
>>> m.group('name')
'Rakesh Rao'
>>> m.group('age')
'34'
>>> m.group('gender')
'Male'
>>> m.group('status')
'Single'
如果所有字段都在一行中，您只需将\n 替换为正则表达式中的一个空格。
请注意，这将支持在行名之后立即使用单个逗号，如下所示：
Name: Rakesh Rao
但它不支持数据的不同顺序。如果你也想这样，我可以尝试写一个不同的表达式。
让我们取表达式的第一“行”：
r'Name(?:\:)? (?P<name>\D+) '
首先，为什么使用r'…' 字符串语法？这只是为了避免双反斜杠。在“典型”字符串中，我们需要这样写表达式：
'Name(?:\\:)? (?P<name>\\D+) '
现在，到实际的表达。第一部分，Name，非常明显。
(?:\:)?
这部分创建了一个非捕获组 ((?:…))，其中包含一个冒号——它是 \: 而不仅仅是 :，因为冒号本身是正则表达式语法的一部分。非捕获组，因为这个冒号对我们来说真的不重要。
然后，在一个空格之后，我们有这个：
(?P<name>\D+)
这将创建一个命名组，语法为(?P<name_of_the_group>…)。我使用命名组只是为了让以后更容易更好地提取信息，使用m.group('name')，其中m 是一个匹配对象。
\D+ 表示“至少一个非数字字符”。这会捕获所有字母、下划线以及空格。这就是为什么字段的顺序对于这个特定的表达式如此重要的原因。如果您要更改顺序并将Gender 字段放在Name 和Age 之间，它也会捕获它，因为+ 修饰符是贪婪的。
另一方面，下“行”中的\d+ 表示“至少一个数字字符”，因此介于 0 和 9 之间。
我希望解释已经足够了，但是在这个非常有用的网站上使用该表达式可能对您有用：
https://regex101.com/r/N5ZJU9/2
我已经为你输入了正则表达式和测试字符串。
【讨论】：
您可以匹配可选字符，在您的情况下是 : 与以下表达式 [:]?。
根据提供的信息，这个正则表达式应该提取所需的信息：
^Name[:]?\s([A-Z][-'a-zA-Z]+)\s([A-Z][-'a-zA-Z]+)$
您可以查看here。
此正则表达式将匹配两个单词的名称。还有包含-' 的名称。
在 Python 中，这可能看起来像这样：
regex = r"^Name[:]?\s([A-Z][-'a-zA-Z]+)\s([A-Z][-'a-zA-Z]+)$"
test_str = ("Name Rakesh Rao\n"
"Name: Ramachandra Deshpande")
matches = re.finditer(regex, test_str, re.MULTILINE)
您也可以通过上面提供的链接查看此示例。
希望这会有所帮助。
【讨论】：
如果字段名称始终在字符串中，您可以在这些字段名称上拆分字符串。例如：
str_to_split = "Name Rakesh Rao Age 34 Gender Male Marital Status Single"
splitted = str_to_split.split("Age")
name = splitted[0].replace("Name", "")
如果您的文本仍然包含其他字符，您可以使用 replace(":", "") 删除它们，例如。否则，您可以使用 NLTK 工具包从文本中删除所有类型的特殊字符。请小心，因为名称中也可能包含特殊字符。
【讨论】：