使用正则表达式拆分字符串不起作用

Question

我正在尝试使用一些正则表达式拆分大文件。问题是我想在拆分后在文本中保留分隔符，并且我尝试在正则表达式的开头添加 ?= ，但是它没有拆分。我在 Sublime 中尝试了修改的正则表达式，它在那里工作。

文字是这样的：

2014 年 8 月 7 日 01:01:01 PM
一些文字
2014 年 8 月 7 日 02:02:02 PM


所以，日期，然后是一些文本和日期。我想用识别该日期的正则表达式分割文本。

第一个版本的正则表达式，非常适合我的目的：

\w{3}\s\d{2}\,\s\d{4}\s\d{1,2}\:\d{2}\:\d{2}\s[AM|PM].)

Python 中的代码是这样的：

allparts = re.compile(r'\w{3}\s\d{2}\,\s\d{4}\s\d{1,2}\:\d{2}\:\d{2}\s[AM|PM].').split(alltext)

添加 ?= 后是这样的：

allparts2 =re.compile(r'(?=\w{3}\s\d{2}\,\s\d{4}\s\d{1,2}\:\d{2}\:\d{2}\s[AM|PM].)').split(alltext)

我在第二个代码中做错了什么？

Answer 1

对不起，我的第一个答案是错误的：）尽量不要添加？=，只把它放在括号中：

allparts2 =re.compile(r'(\w{3}\s\d{2},\s\d{4}\s\d{1,2}\:\d{2}\:\d{2}\s[AM|PM].)').split(alltext)

那就不编译试试吧……

allparts2 = re.split('(\w{3}\s\d{2},\s\d{4}\s\d{1,2}\:\d{2}\:\d{2}\s[AM|PM].)', alltext)

使用时：

#!/usr/local/bin/python2.7
import re

alltext = "Aug 07, 2014 01:01:01 PM some text Aug 07, 2014 02:02:02 PM another text Aug 07, 2014 03:03:03 AM " 

allparts2 = re.split('(?=\w{3}\s\d{2},\s\d{4}\s\d{1,2}\:\d{2}\:\d{2}\s[AM|PM].)', alltext)
print(allparts2)

结果是：

Executing the program....
$python2.7 main.py
['Aug 07, 2014 01:01:01 PM some text Aug 07, 2014 02:02:02 PM another text Aug 07, 2014 03:03:03 AM ']

使用时：

#!/usr/local/bin/python2.7
import re

alltext = "Aug 07, 2014 01:01:01 PM some text Aug 07, 2014 02:02:02 PM another text Aug 07, 2014 03:03:03 AM "


allparts2 = re.split('(?:\w{3}\s\d{2},\s\d{4}\s\d{1,2}\:\d{2}\:\d{2}\s[AM|PM].)', alltext)

print(allparts2)

结果是：

Executing the program....
$python2.7 main.py
['', ' some text ', ' another text ', ' ']

使用时：

#!/usr/local/bin/python2.7
import re

alltext = "Aug 07, 2014 01:01:01 PM some text Aug 07, 2014 02:02:02 PM another text Aug 07, 2014 03:03:03 AM "


allparts2 = re.split('(\w{3}\s\d{2},\s\d{4}\s\d{1,2}\:\d{2}\:\d{2}\s[AM|PM].)', alltext)

print(allparts2)

结果是：

Executing the program....
$python2.7 main.py
['', 'Aug 07, 2014 01:01:01 PM', ' some text ', 'Aug 07, 2014 02:02:02 PM', ' another text ', 'Aug 07, 2014 03:03:03 AM', ' ']

只是为了比较不同的形式。

Answer 2

虽然我不熟悉 Python 风格，但Pythex 给了我以下我认为正确的结果：

见result

即使这些不是，据我所知，您的正则表达式中有几件事是不必要和/或不正确的。

• 逗号不需要转义
• 条件不是由 [ condo | cond2] ，而是用括号 (cond1|cond2)
• 您拥有的\s 是可选的，因为正则表达式会捕获一个空格，如果您想捕获一个空格，这是正确的，例如空格字符、制表符、回车符、..

最后，您添加的项目 ?= 是一个前瞻，?: 使其匹配，但不使其成为您的捕获组的一部分。

试试这个正则表达式：(?:\w{3} \d{2}, \d{4}, [\d:]+ (?:AM|PM))

Answer 3

python 的 re.split() 似乎不会在零长度匹配上进行拆分。

但是，手册说

如果在模式中使用捕获括号，则模式中所有组的文本也会作为结果列表的一部分返回。

...

如果分隔符中有捕获组并且匹配到字符串的开头，则结果将以空字符串开头。

所以你可以使用：

allparts2 = re.compile(r'(\w{3}\s\d{2}\,\s\d{4}\s\d{1,2}\:\d{2}\:\d{2}\s(?:AM|PM))')

匹配的表达式被一个捕获组包围（还要注意最后的非捕获组）。结果是：

['', 'Aug 07, 2014 01:01:01 PM', ' some text ', 'Aug 07, 2014 02:02:02 PM', ' another text ', 'Aug 07, 2014 03:03:03 AM', ' ']

然后您可以通过对allparts[1], allparts[2] 等（2n+1、2n+2）进行分组来创建文件。