如何提取最接近的标点符号之前的子字符串？

Question

从使用 Python 3.12 的文本文件中，如何从具有多个括号的行中提取子字符串：

line1: 'group(something)'
line2: 'other(something) and group(something,something,something) and not group(something,something)'

我只对“group()”或“not group()”中的“某物”感兴趣。

def find_within(search_in, search_for, until):
    return search_in[search_in.find(search_for) + len(search_for) : search_in.find(until)]

group1 = find_within(line1, 'group(', ')')        # extracting group from the first line
group2 = find_within(line2, 'and group(', ')')    # extracting group from the second line
not_group = find_within(line2, 'not group(', ')')    # extracting 'not group' from the second line

此函数可以处理从仅具有单个“group()”（如 line1）的行中进行提取，但不能处理从具有多个项目（如 line2）的行中进行提取（它将返回 null）。我尝试用

.find()

替换最后一个

.rfind()

:

def find_within(search_in, search_for, until):
    return search_in[search_in.find(search_for) + len(search_for) : search_in.rfind(until)]

但是输出是：

'某事，某事，某事）而不是组（某事，某事'

虽然我期待：

“某事，某事，某事”

.find()

查找括号的第一次出现，因此当我从字符串中间的“group(something)”中查找“something”时，

.find()

会查看前面一对括号中的右括号'group(something)'，因此返回 ''。并且

.rfind()

查找最后一次出现的括号，因此提取直到最后一个括号的所有内容。

有更好的方法使用

.find()

还是我需要正则表达式？

Answer 1

我认为您可能缺少的是，您可以给

str.find()

第二个可选整数参数（

str.find(target, offset)

）来告诉您要从哪里开始搜索。

因此，在下面的示例中，我们使用

start = 0

作为字符串的开头

如果找到目标字符串，我们将

start

前进

offset

，以指向刚刚过去 '(' 字符的字符。然后我们从该位置向前搜索，找到下一个 ')' 字符，即我们的

stop

位置

那么括号里的内容就是从

stop

到

start

的切片。 在我的示例中，我将

contents

附加到

list

，但您可以将其打印出来，或者您需要的任何内容

最终

str.find()

将返回-1，表示没有进一步的匹配，因此我们从函数返回

text = "group(a, b, c) and group(d, e, f) and not group(g, h, i)"    


def findit(target, text):
    
    """look for target followed by (
       save the text following the ( until the next )
       append that text to results
       when target doesn't match any more return results"""
       
    results = []
    target += '('    #add open parenthesis after target
    offset = len(target)
    
    start = 0
    while True:
        start = text.find(target, start)
        #print(start)
        if start == -1:
            break
        
        start += offset
        stop = text.find(')', start)
        contents = text[start:stop]
        results.append(contents)
        
    return results

print("\ngroup")
print(findit('group', text))

print("\nand group")
print(findit('and group', text))

print("\nnot group")
print(findit('not group', text))

该程序将产生以下输出：

group
['a, b, c', 'd, e, f', 'g, h, i']

and group
['d, e, f']

not group
['g, h, i']

Answer 2

您可以使用模式来查找预期输出：

\b(group)\s*\(([^)]+)\)|\s*(\band\s+group)\(([^)]+)\)|\s*(\band\s+not\s+group)\(([^)]+)\)|\s*\b(other)\(([^)]+)\)

代码：

import re


def _find(p, s):
    return re.findall(p, s)


p = r'\b(group)\s*\(([^)]+)\)|\s*(\band\s+group)\(([^)]+)\)|\s*(\band\s+not\s+group)\(([^)]+)\)|\s*\b(other)\(([^)]+)\)'
s = """
line1: 'group(something)'
line2: 'other(something) and group(something,something,something) and not group(something,something)'
I'
"""
print(_find(p, s))

打印

[('group', 'something', '', '', '', '', '', ''), ('', '', '', '', '', '', 'other', 'something'), ('', '', 'and group', 'something,something,something', '', '', '', ''), ('', '', '', '', 'and not group', 'something,something', '', '')]

---

注释

• 有 8 个捕获组：四组是键，四组是值。

• \(([^)]+)\)

  ：这四组就是数值。

---

编辑

您可以使用简单的模式并获取所有键和值，然后继续执行文本处理任务：

import re


def _find(p, s, as_dict=False):
    matches = re.findall(p, s)
    if as_dict:
        return {m[0].strip(): m[1] for m in matches}
    return matches


p = r"\s*([^(']+)\s*\(([^)]+)\)"
s = """
line1: 'group(something)'
line2: 'other(something) and group(something,something,something) and not group(something,something)'
I'
"""

print(_find(p, s))

print(_find(p, s, as_dict=True))

打印

[('group', 'something'), ('other', 'something'), ('and group', 'something,something,something'), ('and not group', 'something,something')]
{'group': 'something', 'other': 'something', 'and group': 'something,something,something', 'and not group': 'something,something'}

---

详情

第二种模式非常简单：

• ([^(']+)

  ：捕获组 1 找到密钥。

• \s*\(([^)]+)\)

  ：捕获组 2 找到值。

• [^(']+

  ：表示允许使用所有字符，除了（即

  ^

  ）这两个

  [(']

  ，然后一次或多次（即

  +

  ）。

• ([^)]+)

  ：表示允许使用所有字符，除了（即

  ^

  ）一个字符，即字符类中的

  )

  （即

  []

  ）。