1

Python の正規表現パターンがほとんどの場合機能するのに、次のテキストで問題が発生する理由を誰か教えてください。

パターン：

patternd = re.compile(r"""\(VFSCAN\)[^=]*=\s*    # first line of a section: (VFSCAN) AT TIME =  1.1800 UP    TO  100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200 
(\d*(?:\.\d+)?)                 # group 1 - first number of first line: 1.1800
\D+ 
\d+                             # second number of first line: 100 
\s+BUSES\s+WITH\s+LOW\s+VOLTAGE\s+(DEVIATION)\s+BELOW.*? 
\D+                             # skip second line 
(?:                             # a data line: 18436 [LENZIE 618.0] -0.245 18433 [LENZIE 318.0] -0.245
(?:\d+\s+\[(.+?)\]\s+\S+\s*)+   # Component of data line
(?=[\r\n\s]+|$) 
)+                              # This search ends with an empty line
""", re.VERBOSE)

私が問題を抱えているテキストは次のとおりです。

test3 = r'''(VFSCAN) AT TIME =  1.1800 UP TO  100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:

X ----- BUS ------ X    VDEV       X ----- BUS ------ X    VDEV
18436 [LENZIE 618.0]   -0.245      18433 [LENZIE 318.0]   -0.245     
18431 [LENZIE 118.0]   -0.214      18435 [LENZIE 518.0]   -0.214     
18434 [LENZIE 418.0]   -0.214      18432 [LENZIE 218.0]   -0.214     

(VFSCAN) AT TIME =  1.5167 UP TO  100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:

X ----- BUS ------ X    VDEV       X ----- BUS ------ X    VDEV
69036 [DNLP2G21.575]   -0.414      69038 [DNLP2G22.575]   -0.414     
69040 [DNLP2G23.575]   -0.414      69032 [DNLP1_G1.575]   -0.402     
65460 [DIFICULT 230]   -0.384      69027 [7MIHL G1.575]   -0.355     
69076 [HORIZ_G .575]   -0.303      67237 [MEDBOWCO 115]   -0.301     
67940 [STNDPSVC 230]   -0.300      65976 [MINERS  34.5]   -0.294     
65585 [FT CRK1 34.5]   -0.261      65584 [FT CRK2 34.5]   -0.261     
69073 [HIPLN_G .575]   -0.214     

(VFSCAN) AT TIME =  1.1800 UP TO  100 BUSES WITH LOW VOLTAGE DEVIATION BELOW -0.200:

X ----- BUS ------ X    VDEV       X ----- BUS ------ X    VDEV
65191 [BONANZA 24.0]   -0.572      65192 [BONANZA  138]   -0.434     
65194 [CHAPITA  138]   -0.433      66278 [RANGELY  138]   -0.320     
65371 [COVE TP  138]   -0.302      79265 [CALAMRDG 138]   -0.286     
79400 [DES.MINE 138]   -0.285      65086 [ASHLEY  69.0]   -0.284     
79067 [VERNAL   138]   -0.277      67257 [MOONLAK269.0]   -0.268     
67256 [MOONLAK169.0]   -0.266      79264 [W.RV.CTY 138]   -0.206     

'''

上記のパターンを使用してテキストを照合するために「findall」を使用しており、タプルのリストを抽出することを期待しています。これを実行すると、次のようになります。

[('1.1800', 'DEVIATION', 'LENZIE 218.0'), ('1.5167', 'DEVIATION', 'HIPLN_G .575'),     ('1.1800', 'DEVIATION', 'W.RV.CTY 138')]

しかし、私のリストには、より多くの一致するタプルが含まれているはずです。私は、角括弧「[]」内のすべての項目とともに、各試合の最初の行の時間を抽出することにのみ興味があります。リストには 6+13+12 = 31 個のタプルが含まれているはずです。どんな助けでも大歓迎です。

4

2 に答える 2

2

この形式を 1 行ずつ解析する必要があります。一致が見つかると、正規表現はテキストに戻りません。正規表現が重複するセクション (行 0 + 行 2、次に行 0 + 行 3 など) を見つけることを期待していますが、エンジンは既に行 0 から 2 で何かに一致しているため、次の一致findallは行の後の開始を検索します。 2.

入力を行ごとに分割し、ヘッダー行とデータ行を検出し、それに応じてそれぞれを解析します。次に、最後に解析されたヘッダーでデータ行をグループ化します。

于 2012-09-11T16:31:01.767 に答える
0

あなたが望むことは、正規表現を使用して行うことはできません。(少なくとも、単一の正規表現ではありません)。グループ内または一致内のサブグループの数を可変にすることはできません。この単純化されたバージョンの正規表現を比較してください。

p = re.compile('(a(b)+)')
test3 = 'ababbabbbabbbb'
print p.findall(test3)

次のようなものを返す必要があります。

[('ab', 'b'), ('abb', 'b', 'b'), ('abbb', 'b', 'b', 'b'), ('abbbb', 'b')]

代わりにこれを返します:

[('ab', 'b'), ('abb', 'b'), ('abbb', 'b'), ('abbbb', 'b')]

サンプル データに基づいて、2 パス アルゴリズムを使用できます。最初に元の正規表現を使用して (失敗するグループ化なしで)、テキストの大きなブロックを抽出することができます。次に、2 番目の正規表現を使用して、最初のパスで見つかったブロックからサブパターンを抽出できます。

于 2012-09-11T16:33:23.793 に答える