python - Python正規表現形式

Question

Pythonのre -moduleを使用していくつかの文字列を一致させようとしていますが、正しく実行できません。私が扱う必要のある文字列は次のようになります（例）：

XY_efgh_1234_0040_rev_2_1_NC_asdf
XY_abcd_1122Ae_1150_rev2_1_NC
XY_efgh_0124e_50_NC
asdf_1980_2234a_2
XY_abcd_5098_2270_2_1_NC
PC_bos_7659Ae_1450sp_rev_2_1_NC_GRAPH

そこにあるパターンは一定ではなく、ある時点で変化する可能性があります。これは私にとって重要です：

• 最初の数値まで、文字列の先頭を忘れてください。それは重要ではありません、私はこれを必要としません、それはどんな結果からも取り除かれるべきです。

• その場合、常に4桁の数字があり、その後にアルファベット文字（最大3桁）を続けることができます。この部分が必要です、抽出しました。

• 次に、アンダースコア（マイナスもある場合があります）の後に、必要な数値の別のセットがあります。これは常に2〜4です（...その後に最大3つのアルファベット文字が続く場合もあります）。

• このセクションの直後に、さらに下線で区切って、重要で前の値に属するさらに数値が存在する可能性があります。アルファベット文字も含まれている可能性があります...

• 文字列の末尾には「NC」などの文字が含まれている可能性がありますが、重要ではないため、削除する必要があります。

したがって、前の例によれば、これは私が作業する必要があるものです：

('1234',   '0040_rev_2_1')
('1122Ae', '1150_rev2_1')
('0124e',  '50')
('1980',   '2234a_2')
('5098',   '2270_2_1')
('7659Ae', '1450sp_rev_2_1')

...私はRegExでそのようなことをしたことがありません、それは私を夢中にさせています。これが私がこれまでに得たものですが、それは私が必要としているものではありません。

pattern     = re.compile(
              r"""
              ([0-9]{4}
              [A-Z]{0,3})
              [_-]{1,3}
              ([0-9]{2,4}
              [0-9A-Z_-]{0,16})
              """,
              re.IGNORECASE | 
              re.VERBOSE
              )

if re.search(pattern, string):
    print re.findall(pattern, string)

最後に述べた例でこれを使用すると、次のようになります。

[(u'7659Ae', u'1450sp_rev_2_1_NC_GR')]

...ほぼ必要なものですが、最後にこれを除外する方法がわかりません_NC_GR。また、文字数を制限するこの単純な方法は、適切ではありません。

誰かがこのケースにうまく機能する解決策を持っていますか？

Answer 1

が続かない文字に一致させるには、否定先読みを使用する必要がありますNC。グループ化を示すために、正規表現を少し再フォーマットします。

pattern     = re.compile(r"""
              ( [0-9]{4} [A-Z]{0,3} )
              [_-]{1,3}
              ( [0-9]{2,4} (?:[0-9A-Z_-](?!NC))* )
              """, re.IGNORECASE | re.VERBOSE)

を太字の量指定子に{0,16}置き換えると、次のようになります。*

>>> for match in pattern.findall(inputtext):
...     print match
... 
('1234', '0040_rev_2_1')
('1122Ae', '1150_rev2_1')
('0124e', '50')
('1980', '2234a_2')
('5098', '2270_2_1')
('7659Ae', '1450sp_rev_2_1')

そのため、(非キャプチャ) グループ(?:[0-9A-Z_-](?!NC))は、文字が続かない任意の数字、文字、アンダースコア、またはダッシュに一致しますNC。

Answer 2

私にとって、Martijnの解決策はうまくいきません。だから私は私の解決策を与えます。

私が使用していないという事実に注意してくださいre.IGNORECASE
したがって、私の正規表現は
PC_bos_7659Ae_1450sp_rev_2_1_nc_woof
I don't know if it is really what you want in this caseの最後をキャッチできます

inputtext = """XY_efgh_1234_0040_rev_2_1_NC_asdf
XY_abcd_1122Ae_1150_rev2_1_NC
XY_efgh_0124e_50_NC
asdf_1980_2234a_2
XY_abcd_5098_2270_2_1_NC
PC_bos_7659Ae_1450sp_rev_2_1_NC_GRAPH
PC_bos_7659Ae_1450sp_rev_2_1_nc_woof"""
print inputtext

.

import re

print """\n----------------------------------------
WANTED
('1234',   '0040_rev_2_1')
('1122Ae', '1150_rev2_1')
('0124e',  '50')
('1980',   '2234a_2')
('5098',   '2270_2_1')
('7659Ae', '1450sp_rev_2_1')"""
print '----------- eyquem ----------------------'
ri = re.compile('^\D+'
                '(\d{4}[a-zA-Z]{0,3})'
                '[_-]+'
                '(.+?)'
                '(?:[_-]+NC.*)?$',
                re.MULTILINE)

for match in ri.findall(inputtext):
    print match
    
print '----------- Martijn ----------------------'
ro     = re.compile(
              r"""
              ([0-9]{4}
              [A-Z]{0,3})
              [_-]{1,3}
              ([0-9]{2,4}
              [0-9A-Z_-]{0,16}?)
              (?:[-_]NC)?
              """,
              re.IGNORECASE | re.VERBOSE)

for match in ro.findall(inputtext):
    print match

結果

----------------------------------------
WANTED
('1234',   '0040_rev_2_1')
('1122Ae', '1150_rev2_1')
('0124e',  '50')
('1980',   '2234a_2')
('5098',   '2270_2_1')
('7659Ae', '1450sp_rev_2_1')
----------- eyquem ----------------------
('1234', '0040_rev_2_1')
('1122Ae', '1150_rev2_1')
('0124e', '50')
('1980', '2234a_2')
('5098', '2270_2_1')
('7659Ae', '1450sp_rev_2_1')
('7659Ae', '1450sp_rev_2_1_nc_woof')
----------- Martijn ----------------------
('1234', '0040')
('1122Ae', '1150')
('0124e', '50')
('1980', '2234')
('5098', '2270')
('7659Ae', '1450')
('7659Ae', '1450')

私の正規表現は個々の行で使用できます::

for s in inputtext.splitlines(True):
    print ri.match(s).groups()

同じ結果

.

編集

import re

inputtext = """XY_efgh_1234_0040_rev_2_1_NC_asdf
XY_abcd_1122Ae_1150_rev2_1_NC
XY_efgh_0124e_50_NC
XY_efgh_0228e_66-__NC
asdf_1980_2234a_2   
asdf_2999_133a
XY_abcd_5098_2270_2_1_NC
XY_abcd_6099_33370_2_1_NC
XY_abcd_6099_3370abcd_2_1_NC
PC_bos_7659Ae_1450sp_rev_2_1_NC_GRAPH
PC_bos_7659Ae_1450sp_rev_2_1___NC_GRAPH
PC_bos_7659Ae_1450sp_rev_2_1_nc_woof_NC
PC_bos_7659Ae_1450sp_rev_2_1_anc_woof_NC
PC_bos_7659Ae_1450sp_rev_2_1_abNC_woof_NC"""

print '----------- Martijn 2 ------------'
ruu     = re.compile(r"""
              ( [0-9]{4} [A-Z]{0,3} )
              [_-]{1,3}
              ( [0-9]{2,4} (?:[0-9A-Z_-](?!NC))* )
              """, re.IGNORECASE | re.VERBOSE)
for match in ruu.findall(inputtext):
    print match
print '----------- eyquem 2 ------------'
rii = re.compile('[_-]'
                '(\d{4}[A-Z]{0,3})'
                '[_-]{1,3}'
                '('
                  '(?=\d{2,4}[A-Z]{0,3}(?![\dA-Z]))'
                  '(?:[0-9A-Z_-]+?)'
                 ')'
                '(?:[-_]+NC.*)?'
                '(?![0-9A-Z_-])',
                re.IGNORECASE)
for m in rii.findall(inputtext):
    print m

結果

----------- Martijn 2 ------------
('1234', '0040_rev_2_1')
('1122Ae', '1150_rev2_1')
('0124e', '50')
('0228e', '66-_')
('1980', '2234a_2')
('2999', '133a')
('5098', '2270_2_1')
('6099', '33370_2_1')
('6099', '3370abcd_2_1')
('7659Ae', '1450sp_rev_2_1')
('7659Ae', '1450sp_rev_2_1__')
('7659Ae', '1450sp_rev_2_1')
('7659Ae', '1450sp_rev_2_1_')
('7659Ae', '1450sp_rev_2_1_a')
----------- eyquem 2 ------------
('1234', '0040_rev_2_1')
('1122Ae', '1150_rev2_1')
('0124e', '50')
('0228e', '66')
('1980', '2234a_2')
('2999', '133a')
('5098', '2270_2_1')
('7659Ae', '1450sp_rev_2_1')
('7659Ae', '1450sp_rev_2_1')
('7659Ae', '1450sp_rev_2_1')
('7659Ae', '1450sp_rev_2_1_anc_woof')
('7659Ae', '1450sp_rev_2_1_abNC_woof')

備考：

• 私の正規表現は「33370_2_1」も「3370abcd_2_1」もキャッチしません。これは、「2〜4文字の後に最大3桁が続く可能性がある」というパターンを尊重しないためです。Martijn
  のソリューションはそれらをキャッチします

• 私の正規表現によってキャッチされた部分の端はきれいです。Martijn のコードではそうではありません

• Martijn の正規表現は、すべてのシーケンス NC または nc の前で停止します。アンダースコアが前になくても、つまり、これらのシーケンスが必要な部分の一部である文字であってもです。
  私の正規表現のこの特性が望ましくない場合は、私に言ってください、私はそれを変更します