如何在不包含周圍文本的情況下解析精確數據？

Question

我的代碼非常接近成功，但我只需要一點幫助。

我有100頁的數據，但我正在解析只有1頁完美，然後才應用到其他人。在這一頁，這是一封電子郵件，我需要提取幾件事情：日期，部門，魚種，磅和金錢。到目前爲止，我已經成功地使用RegularExpressions來識別某些單詞並從該行中提取數據：例如查找「已發送」，因爲我知道日期信息將始終跟着該單詞，並且查找「磅」或「磅」因爲磅信息將永遠在此之前。

我遇到的問題是我的代碼抓住了數據所在的整行，而不僅僅是數字數據。例如，我想抓住磅的數字值，但我意識到這將是非常困難的，因爲100個電子郵件中的每一個都有不同的措辭。我不確定是否甚至有可能使此代碼萬無一失，因爲我需要RegEx識別數據周圍的文本，但不會將其包含在我的導出命令中。那麼，我是否會盲目地抓住某些被認可的單詞後的角色？

這是用於提取英鎊數據一塊我的代碼：

for filename in os.listdir(path): 
    file_path = os.path.join(path, filename) 
    if os.path.isfile(file_path): 
     with open(file_path, 'r') as f: 
      sector_result = [] 
      pattern = re.compile("Pounds | lbs", re.IGNORECASE) 
      for linenum, line in enumerate(f): 
      if pattern.search(line) != None: 
       sector_result.append((linenum, line.rstrip('\n'))) 
       for linenum, line in sector_result: 
        print ("Pounds:", line) 

而且這裏是它打印出：

Pounds: -GOM Cod up to 5,000 lbs (live wt) @ 1.40 lbs 
Pounds: -GOM Cod up to 5,000 lbs (live wt) @ 1.40 lbs 
Pounds: -American Plaice 2,000 lbs  .60 lbs or best offer 

理想我只是想在5000磅數值被出口，但我不知道我會如何去抓住這個數字。

這裏是我需要解析原始電子郵件文本：

From: 
Sent: Friday, November 15, 2013 2:43pm 
To: 

Subject: NEFS 11 fish for lease 

Greetings, 

NEFS 11 has the following fish for lease: 

-GOM Cod up to 5,000 lbs (live wt) @ 1.40 lbs 
-American Plaice 2,000 lbs  .60 lbs or best offer 

這裏是另一個單獨的電子郵件儘管這將需要進行解析;這就是爲什麼寫這個代碼是困難的，因爲它也必須處理各種不同的措詞電子郵件，因爲它們都通過不同的人寫的：

From: 
Sent: Monday, December 09, 2013 1:13pm 
To: 

Subject: NEFS 6 Stocks for lease October 28 2013 

Hi All, 

The following is available from NEFS VI: 

4,000 lbs. GBE COD (live wt) 

10,000 lbs. SNE Winter Flounder 

10,000 lbs. SNE Yellowtail 

10,000 lbs GB Winter Flounder 

Will lease for cash or trade for GOM YT, GOM Cod, Dabs, Grey sole stocks on equitable basis. 

Please forward all offers. 

Thank you, 

任何和所有幫助表示讚賞，因爲以及提出批評的問題。謝謝。

Answer 1

正則表達式可以識別和不是圍繞一個值導出文本，這被稱爲非捕獲組。例如：

Pounds: -GOM Cod up to 5,000 lbs (live wt) @ 1.40 lbs

要認識到，up to，你想要的值，並(live wt)你可以寫這樣的正則表達式：

(?: up to).(\d+,\d+.lbs).(?:\(live wt\)) 

本質(?:)是沒有拍攝的匹配組，所以正則表達式只能捕獲中間的括號內的組。

如果您提供所需的確切周邊文字，我可以更具體。

編輯：

去了你的新的例子，我可以看到，所有的例子之間的唯一相似的是，你有一個數字（在成千上萬所以它有一個,），其次是空白的某些量，然後是lbs。所以你的正則表達式如下：

(?:(\d+,\d+)\s+lbs) 

這將返回數字本身的匹配。你可以看到它的一個例子here。這個正則表達式將排除較小的值，這是因爲忽略了不是數千的值（即不包含,）。

編輯2：

而且我想，我想指出的是，這可以完全不使用正則表達式str.split()來完成。您可以使用這樣一個事實，即您想要的數字將是lbs之前的單詞，即如果lbs位於位置i，那麼您的號碼位於位置i-1，而不是嘗試查找特定的單詞模式。

你要面對的唯一其他要考慮的是如何處理多個值，這兩個明顯的是：

1. 最大的價值。
2. 第一值。

下面是這兩種情況下會與你原來的代碼工作：

def max_pounds(line): 
    pound_values = {} 
    words = line.split() 
    for i, word in enumerate(words): 
     if word.lower() == 'lbs': 
      # Convert the number into an float 
      # And save the original string representation. 
      pound_values[(float(words[i-1].replace(',','')))] = words[i-1] 
    # Print the biggest numerical number. 
    print(pound_values[max(pound_values.keys())]) 

def first_pounds(line): 
    words = line.split() 
    for i, word in enumerate(words): 
     if word.lower() == 'lbs': 
      # print the number and exit. 
      print(words[i-1]) 
      return 

for filename in os.listdir(path): 
    file_path = os.path.join(path, filename) 
    if os.path.isfile(file_path): 
     with open(file_path, 'r') as f: 
      sector_result = [] 
      pattern = re.compile("Pounds | lbs", re.IGNORECASE) 
      for linenum, line in enumerate(f): 
      if pattern.search(line) != None: 
       sector_result.append((linenum, line.rstrip('\n'))) 
       for linenum, line in sector_result: 
        print ("Pounds:", line) 
        # Only one function is required. 
        max_pounds(line) 
        first_pounts(line) 

一個需要注意的是，代碼不處理的邊緣情況下lbs是第一個字，但是這是很容易處理與try-catch。

如果lbs之前的值不是數字，則正則表達式或分割都不起作用。如果你遇到這個問題，我會建議你搜索你的數據以獲取有問題的電子郵件 - 如果數量足夠小，可以手動編輯它們。

Answer 2

這裏有足夠的正則表達式靈活：

for filename in os.listdir(path): 
    file_path = os.path.join(path, filename) 
    if os.path.isfile(file_path): 
     with open(file_path, 'r') as f: 
      pattern = r'(\d[\d,.]+)\s*(?:lbs|[Pp]ounds)' 
      content = f.read() 

      ### if you want only the first match ### 
      match = re.search(pattern, content) 
      if match: 
       print(match.group(1)) 

      ### if you want all the matches ### 
      matches = re.findall(pattern, content) 
      if matches: 
       print(matches) 

如果需要，您可以更透徹與正則表達式。

希望這會有所幫助！

UPDATE

主要部分在這裏是正則表達式(\d[\d,.]+)\s*(?:lbs|[Pp]ounds)。這是一個基本的，解釋如下：

(      
    \d     -> Start with any digit character 
    [\d,.]+   -> Followed by either other digits or commas or dots 
)      
\s*     -> Followed by zero or more spaces 
(?:      
    lbs|[Pp]ounds  -> Followed by either 'lbs' or 'Pounds' or 'pounds' 
)      

的括號定義捕獲組，所以(\d[\d,.]+)是所捕獲的東西，所以基本上數字部分。

帶有?:的括號定義了一個非捕獲組。

此正則表達式匹配：

• 2890磅（捕獲 '2890'）
• 3.6磅（捕獲 '3.6'）
• 5678829磅
• 23磅
• 9,894Pounds
• etc

除了不需要的東西，如：

• 2 .....磅
• 1,3,4,6,7,8-磅

它不會匹配：

• 23米磅
• 45 ppounds
• 2.8英鎊

根據您擁有的內容的複雜程度，您可以製作更爲複雜的正則表達式。我會認爲這個正則表達式對於你的目的來說足夠好。

希望這有助於澄清