正則表達式將不同的字符串拆分爲groupdict

Question

我想從我的數據中提取一些信息。

最全行也許像下面（每個零件可能包含CJK字符）：

0. (event) (tag) [group (artist)] title (form) [addition1] [addition2]

一行還可能有：

1. (event) [group (artist)] title (form) [addition1] 

2. [event] [group (artist)] title (form) (addition1) 

3. (tag) [group (artist)] title 

4. [group (artist)] title 

5. title 

6. and something like above, such as 【tag】 [group (artist)] title 【form】 

正如我們看到的，最簡單的行只是純文本title, 我寫了一個正則表達式嘗試匹配所有這些文件

import re 
regex_patern = ur'([\(\[](?P<event>[^\)\]]*)[\)\]])?\s*([\(\[](?P<type>[^\)\](\)\])]*)[\)\]])?\s*(\[(?P<group>[^\(\]]*)(\((?P<artist>[^\)]*)\))?\])?(?P<title>[^\(\)\[\]]*)([\(\[](?P<from>[^\)\]]*)[\)\]])?(\s*[\(\[](?P<more1>[^\)\]]*)[\)\]])' 

p = re.compile(regex_patern) 

rows= [ 
'(event) (tag) [group (artist)] title (form) [addition1] [addition2]', 
'(event) [group (artist)] title (form) [addition1]', 
'[event] [group (artist)] title (form) (addition1)', 
'(tag) [group (artist)] title', 
'[group (artist)] title', 
'title', 
] 

for r in rows: 
    r = re.search(p, r) 
    print r.groupdict() 

輸出：

{u'from': 'form', u'more1': 'addition1', u'artist': 'artist', u'title': ' title ', u'group': 'group ', u'type': 'tag', u'event': 'event'} 
{u'from': 'form', u'more1': 'addition1', u'artist': 'artist', u'title': ' title ', u'group': 'group ', u'type': None, u'event': 'event'} 
{u'from': 'form', u'more1': 'addition1', u'artist': 'artist', u'title': ' title ', u'group': 'group ', u'type': None, u'event': 'event'} 
{u'from': None, u'more1': 'group (artist', u'artist': None, u'title': '', u'group': None, u'type': None, u'event': 'tag'} 
{u'from': None, u'more1': 'group (artist', u'artist': None, u'title': '', u'group': None, u'type': None, u'event': None} 
--------------------------------------------------------------------------- 
AttributeError       Traceback (most recent call last) 
<ipython-input-5-831c548bc3f0> in <module>() 
    15 for r in rows: 
    16  r = re.search(p, r) 
---> 17  print r.groupdict() 

AttributeError: 'NoneType' object has no attribute 'groupdict' 

結果成爲意外從第4行
我認爲re應該從中間搜索。首先尋找[group (artist)] and title，但我不知道如何寫在正則表達式。 或者我正在做錯誤的方式？

Answer 1

編輯

這似乎（至少在樣品您提供的），你可以正確地匹配和組整串用：

import re 

rows= [ 
'(event) (tag) [group (artist)] title (form) [addition1] [addition2]', 
'(event) [group (artist)] title (form) [addition1]', 
'[event] [group (artist)] title (form) (addition1)', 
'(tag) [group (artist)] title', 
'[group (artist)] title', 
'title', 
] 

p = re.compile(ur'^(?:(?:^[\[()](?P<event>[^)\]]+)[)\]](?=.+[\])]$)\s)?(?:[(【](?P<tag>(?<=^[(【])[^】)]+(?=.+[\w】]$)|(?<=\)\s\()[^)]+(?=\)\s\[))[】)]\s)?\[(?:(?P<group>[^(\]]+)\s+\((?P<artist>[^)]+)\)\])\s+)?(?P<title>[^(\n)【]+)(?:\s*[\(【](?P<form>[^)】]+)[)】](?:\s*[\[(](?P<add>[^\])]+)[\])])?(?:\s*[\[(](?P<add2>[^\])]+)[\])])?)?$') 

for r in rows: 
    [m.groupdict() for m in p.finditer(r)] 
    print m.groupdict() 

：

^(?:(?:^[\[()](?P<event>[^)\]]+)[)\]](?=.+[\])]$)\s)?(?:[(【](?P<tag>(?<=^[(【])[^】)]+(?=.+[\w】]$)|(?<=\)\s\()[^)]+(?=\)\s\[))[】)]\s)?\[(?:(?P<group>[^(\]]+)\s+\((?P<artist>[^)]+)\)\])\s+)?(?P<title>[^(\n)【]+)(?:\s*[\(【](?P<form>[^)】]+)[)】](?:\s*[\[(](?P<add>[^\])]+)[\])])?(?:\s*[\[(](?P<add2>[^\])]+)[\])])?)?$ 

DEMO

中使用

發出放：

{u'event': 'event', u'tag': 'tag', u'group': 'group', u'artist': 'artist', u'title': 'title ', u'form': 'form', u'add': 'addition1', u'add2': 'addition2'} 
{u'event': 'event', u'tag': None, u'group': 'group', u'artist': 'artist', u'title': 'title ', u'form': 'form', u'add': 'addition1', u'add2': None} 
{u'event': 'event', u'tag': None, u'group': 'group', u'artist': 'artist', u'title': 'title ', u'form': 'form', u'add': 'addition1', u'add2': None} 
{u'event': None, u'tag': 'tag', u'group': 'group', u'artist': 'artist', u'title': 'title', u'form': None, u'add': None, u'add2': None} 
{u'event': None, u'tag': None, u'group': 'group', u'artist': 'artist', u'title': 'title', u'form': None, u'add': None, u'add2': None} 
{u'event': None, u'tag': None, u'group': None, u'artist': None, u'title': 'title', u'form': None, u'add': None, u'add2': None} 

DEMO

這正則表達式是由幾個部分組成：

• (?:^[\[()](?P<event>[^)\]]+)[)\]](?=.+[\])]$)\s)? - 匹配事件
• (?:[(【](?P<tag>(?<=^[(【])[^】)]+(?=.+[\w】]$)|(?<=\)\s\()[^)]+(?=\)\s\[))[】)]\s)? - 匹配標籤
• \[(?:(?P<group>[^(\]]+)\s+\((?P<artist>[^)]+)\)\])\s+)? - 匹配組
• (?P<title>[^(\n)【]+) - 匹配標題
• (?:\s*[\(【](?P<form>[^)】]+)[)】](?:\s*[\[(](?P<add>[^\])]+)[\])])?(?:\s*[\[(](?P<add2>[^\])]+)[\])])?)? - 匹配形式，並增加了

正如你可以看到，每一個部分，不包括部分匹配title，與?量詞，這意味着零個或一個結束。正因爲如此，這些部分是可選的，如果有匹配的片段，它將匹配，但如果不匹配，它不會干擾（至少它不應該）剩餘的正則表達式將如何工作。這就是爲什麼它看起來像「從中間」匹配，而不是「從左到右」。