正则表达式 Python [python-2.7]答案

【问题标题】：Regex Python [python-2.7]正则表达式 Python [python-2.7]
【发布时间】：2015-09-22 07:26:53
【问题描述】：

我正在开发一个 Python 程序，该程序可以筛选 .txt 文件以查找属名和种名。这些行的格式如下（是的，等号始终围绕通用名称）：

1. =Common Name= Genus Species some other words that I don't want.
2. =Common Name= Genus Species some other words that I don't want.

我似乎无法找出一个只匹配属和种而不匹配通用名称的正则表达式。我知道等号 (=) 可能会有所帮助，但我想不出如何使用它们。

编辑：一些真实数据：

1. =Western grebe.= ÆCHMOPHORUS OCCIDENTALIS. Rare migrant; western species, chiefly interior regions of North America.

2. =Holboell's grebe.= COLYMBUS HOLBOELLII. Rare migrant; breeds far north; range, all of North America.

3. =Horned grebe.= COLYMBUS AURITUS. Rare migrant; range, almost the same as the last.

4. =American eared grebe.= COLYMBUS NIGRICOLLIS CALIFORNICUS. Summer resident; rare in eastern, common in western Colorado; breeds from plains to 8,000 feet; partial to alkali lakes; western species.

【问题讨论】：

你想要什么作为你的例子的输出？
属物种（起点、终点）
你能告诉我们你解决这个问题的尝试吗？
你能给我们看一些真实的输入数据吗？
抱歉，我花了这么长时间才回复一些真实的输入数据：1. =Western grebe.= ÆCHMOPHORUS OCCIDENTALIS。稀有移民；西部物种，主要是北美的内陆地区。 2. =Holboell's grebe.= COLYMBUS HOLBOELLII.稀有移民；繁殖遥远的北方；范围，整个北美。 3. =角鸊鷉。= COLYMBUS AURITUS。稀有移民；范围，几乎和上次一样。 4. =美耳鸊鷉。= COLYMBUS NIGRICOLLIS CALIFORNICUS。夏季居民；东部少见，科罗拉多西部常见；从平原到 8,000 英尺的地方繁殖；偏碱湖；西方物种。

标签： python regex python-2.7

【解决方案1】：

你可能不需要这个正则表达式。如果您需要的单词的顺序和单词的数量始终相同，您可以将每一行拆分为子字符串列表并获取该列表的第三个（属）和第四个（种）元素。代码可能如下所示：

myfile = open('myfilename.txt', 'r')
for line in myfile.readlines():
    words = line.split()
    genus, species = words[2], words[3]

对我来说，它看起来更像“pythonic”。

如果通用名称可以包含多个单词，则建议的代码将返回错误的结果。要在这种情况下也获得正确的结果，您可以使用以下代码：

myfile = open('myfilename.txt', 'r')
for line in myfile.readlines():
    words = line.split('=')[2].split() # If the program returns wrong results, try changing the index from 2 to 1 or 3. What number is the right one depends on whether there can be any symbols before the first "=".
    genus, species = words[0], words[1]

【讨论】：

同意。正则表达式对此太过分了。
但我认为通用名称可能不止一个单词（我假设这是关于生物物种），但是首先使用 = 作为分隔符，然后按单词拆分可以使用这样的输入跨度>
@m.cekiera 是的，我没想到，我会编辑我的答案，谢谢。

【解决方案2】：

如果足以按组捕获单词（并且您不会直接匹配），您可以尝试：

(?=\d\.\s*=[^=]+=\s(?:(?P<genus>\w+)\s(?P<species>\w+)))

DEMO

所需的值将位于 <genus> 和 <species> 组中。整个正则表达式是正则表达式，因此它匹配字符串开头的零点位置，但它会将一些内容捕获到组中。

(?=\d\.\s*=[^=]+=\s - 小数后跟相等的一些内容标志和空间，
(?:(?P<genus>\w+)\s(?P<species>\w+))) - 捕获第一个词到属组，第二个词是物种组，

【讨论】：

【解决方案3】：

你可以试试这样的：

import re

txt='1. =Common Name= Genus Species some other words that I don\'t want.'

re1='.*?'   # Non-greedy match on filler
re2='(?:[a-z][a-z]+)'   # Uninteresting: word
re3='.*?'   # Non-greedy match on filler
re4='(?:[a-z][a-z]+)'   # Uninteresting: word
re5='.*?'   # Non-greedy match on filler
re6='((?:[a-z][a-z]+))' # Word 1
re7='.*?'   # Non-greedy match on filler
re8='((?:[a-z][a-z]+))' # Word 2

rg = re.compile(re1+re2+re3+re4+re5+re6+re7+re8,re.IGNORECASE|re.DOTALL)
m = rg.search(txt)
if m:
    word1=m.group(1)
    word2=m.group(2)
    print "("+word1+")"+"("+word2+")"+"\n"

在您的测试输入中，如 txt 所示，这将打印出来

（属）（种）

你可以this 很棒的网站来帮助做这样的正则表达式！

希望对你有帮助

【讨论】：