正则表达式提取任意数量的子模式

Question

我的句子结构为“Name has digit1 word1, digit2 word2, ..., and digitN wordN”，其中子模式“digit word”的数量因句子而异，因此不确定。最后一个子模式之前有一个“and”。例如“爱丽丝有 1 个苹果、2 个香蕉、……和 6 个橙子。”

如何在 python 中使用正则表达式提取这些数字和单词？我希望输出如下：

姓名，

Digit	Word
digit1	word1
digit2	word2
...	...
digitN	wordN

我尝试了以下方法：

s = 'Alice has 1 apple, 2 bananas, and 3 oranges.'
import re
matches = re.finditer(r'([Aa-z]+) has (\d) ([a-z]+)( and)*', s)
for match in matches:
  print(match.groups())

但这只会给我（'Alice'，'1'，'apple'，None），缺少'2'，'bananas'，'3'，'oranges'。

Answer 1

使用PyPi regex。

See Python code：

import regex
s = 'Alice has 1 apple, 2 bananas, and 3 oranges.'
matches = regex.finditer(r'(?P<word1>[A-Za-z]+) has(?:(?:\s+|,\s+|,?\s+and\s+)?(?P<number>\d+)\s+(?P<word2>[a-z]+))*', s)
for match in matches:
  print(match.capturesdict())

结果：{'word1': ['Alice'], 'number': ['1', '2', '3'], 'word2': ['apple', 'bananas', 'oranges']}

Answer 2

如果您想在单个正则表达式中匹配所有内容，您需要这样的内容：

([^\s]+) has (?:(?:,\s+)?(?:and\s+)?(\d+)\s+([^\s,]+)){1,}

Regex Demo

但是，我不确定 python 是否可以处理重复组。至少，我还没有找到从 python 对象中拉出重复组的方法。

以下是我建议的解决问题的方法：

import re

s = 'Alice has 1 apple, 2 bananas, and 3 oranges.'

matches = re.match(r'^([^\s]+)', s)
print(f'Name: {matches.group(0)}')

matches = re.findall(r'(?:(?:,\s+)?(?:and\s+)?(\d+)\s+([^\s,]+))', s)

for match in matches:
    print(f'{match[0]} - {match[1]}')

样本输出

Name: Alice
1 - apple
2 - bananas
3 - oranges.

Process finished with exit code 0

正则表达式说明

^([^\s]+) - 很少有不同的方法来解决这个问题，但它只是抓取所有内容，直到字符串中的第一个空格。

(?:           - Non-capturing group
 (?:,\s+)?    - Optionally allow the string to have a `,` followed by spaces
 (?:and\s+)?  - Optionally allow the string to contain the word `and` followed by spaces
 (\d+)        - Must have a number
 \s+          - Spaces between number and description
 ([^\s,]+)    - Grab the next set of characters and stop when you find a space or comma. This should be the word (e.g. apple)
)

第二个正则表达式只是确保您可以提取各种形式的1 apple。所以它基本上会匹配以下模式：

• 1 apple
• , 1 apple
• , and 1 apple
• and 1 apple

从长远来看，解析器更适合这些问题。您会在句子中得到更多的变化，并且使用简单的正则表达式开始解析变得非常困难。