捕获“，”之间的文本答案

【问题标题】：Capture text between ','捕获“，”之间的文本
【发布时间】：2019-04-26 15:23:37
【问题描述】：

我有一行包含逗号的文本。我想捕获逗号之间的数据。

line = "",,,,,,,,,ce: appears to assume ,that\n

我使用的是正则表达式捕获模式 = (""),(.*),(.*),(.*),(.*),(.*),(.*),(.*),(.*),(.*)\\n

输出是：

Output 1
1.  ""
2.  ,
3.  Empty
4.  Empty
5.  Empty
6.  Empty
7.  Empty
8.  Empty
9.  ce: appears to assume
10. that

我想输出为：

Output 2
1.  ""
2.  Empty
3.  Empty
4.  Empty
5.  Empty
6.  Empty
7.  Empty
8.  Empty
9.  Empty
10. ce: appears to assume, that

基本上我正在寻找某种通用的贪婪方法，它忽略文本之间的逗号'，'

【问题讨论】：

您是否有理由要使用正则表达式？简单地拆分（九个）逗号。 line.split(',', 9)
等等，您希望最后一个逗号的处理方式与其他逗号不同吗？此外，如果您删除最后一个,(.*)，您应该得到您想要的输出...
您能否阐明确切的标准？ “忽略文本之间的逗号”是什么意思？之间还有什么？
@AdamSmith：我想使用正则表达式来获得通用解决方案，因为逗号可以出现在文本中两个逗号之间的任何位置。但是是的，输入结构是固定的。我将检查拆分的行为。
@C.Nivs 同意。但也可以提出建议，以检查是否可以在 tabula.py 中将分隔符 , 重新定义为 ;。然后使用 python 的 csv 模块进行评估...

标签： python regex csv

【解决方案1】：

Regex 在这里似乎是错误的解决方案。如果您知道要匹配多少个匹配项（规定为 10 个），那么您就知道您期望使用多少个逗号。使用str.split

>>> line.split(',', 9)
['""', '', '', '', '', '', '', '', '', 'ce: appears to assume ,that\n']

【讨论】：

请注意，如果您可以控制输入，则应该绝对将其更改为更标准的内容。即使“更标准”是引用的 csv。程序不必猜测只有 9 个逗号定义了您的数据结构，而任何额外的逗号都是数据本身的一部分。

【解决方案2】：

您可以在此处使用itertools.groupby 来过滤长度：

import itertools

someline = '"",,,,,,,,ce: appears to assume ,that\n'

# Group by length greater than 0
res = [(i, ','.join(x)) for i,x in itertools.groupby(someline.split(','), key=lambda x: len(x)>0)]

# [(True, '""'), (False, ',,,,,,'), (True, 'ce: appears to assume ,that\n')]

# Then you can just gather your results
results = []
for i, x in res:
    if i is True:
        results.append(x)
    else:
        results.extend(x.split(','))

results
# ['""', '', '', '', '', '', '', '', 'ce: appears to assume ,that\n']

这避免了您必须检查一定数量的逗号，如果这不是每行的固定值。

不同的格式

但是，我认为真正的问题是逗号不仅仅是分隔符，也是数据中的元素，这使得这个问题有点模棱两可。根据docs，您似乎可以指定不同的输出格式，例如.tsv，这将由\t 分隔并完全避免该问题：

tabula.convert_into("test.pdf", "output.tsv", output_format="tsv", pages='all')

那么你的线条看起来像：

someline = '""\t\t\t\t\t\t\t\tce: appears to assume ,that\n'

# Much easier to handle
someline.split('\t')

# ['""', '', '', '', '', '', '', '', 'ce: appears to assume ,that\n']

【讨论】：

【解决方案3】：

问题是.* 匹配的字符太多，包括逗号。您应该创建匹配所有字符 except 用于逗号的组，例如

^(""),([^,]*),([^,]*),([^,]*),([^,]*),([^,]*),([^,]*),([^,]*),([^,]*),(.*)$

最后一个可以匹配逗号，这样就可以匹配ce: appears to assume ,that中的逗号

#!/usr/bin/env python

import re

reg = re.compile('^(""),([^,]*),([^,]*),([^,]*),([^,]*),([^,]*),([^,]*),([^,]*),([^,]*),(.*)$')

match = reg.match('"",,,,,,,,,ce: appears to assume ,that\n')

for i in range(1,11):
    print('{:>2s}.  {}'.format(str(i),"Empty" if len(match.group(i))==0 else match.group(i)))

提供所需的输出

 1.  ""
 2.  Empty
 3.  Empty
 4.  Empty
 5.  Empty
 6.  Empty
 7.  Empty
 8.  Empty
 9.  Empty
10.  ce: appears to assume ,that```

【讨论】：

【解决方案4】：

不知道你是否需要所有的空。愿这就是你要找的东西

separados = line.split(',,')

for i in range(len(separados)):
    try:  #you can add more custom filters here
        if separados[i][0] == ',': separados[i] = separados[i][1:]
    except: pass
    try:
        if separados[i][-1] == ',': separados[i] = separados[i][:-1]
    except: pass

这就是你得到的

'""'
''
''
''
'ce: appears to assume ,that\n'

【讨论】：