python - pandas 正则表达式提取函数的行为与 "normal"正则表达式提取不同？

Question

我尝试通过 str.extract 从 pandas 数据帧中提取位于“开始”(示例中的某个单词)和“停止”单词(示例中的某个停止词)之间的换行符的 1-n 行 splittet方法，但失败了，结果只是 NaN。下面提供了示例。

我尝试在 regex101.com 的帮助下构建正则表达式，它可以正常工作，甚至当我在我的 jupyter 笔记本中复制从 regex101.com 自动生成的示例代码时，它也会按照我的预期提取行。

使用 pandas str.extract 函数的示例代码:

testInput = pd.DataFrame({'text': ['\nSOMEWORD\n---------- \nFirstline with some text\nSecondline with some text\nThirdline 
with some text\nSOME STOP WORD\n-------------------\n']})
pattern = r'(?<=\nSOMEWORD\n----------\n)(\w.+?(?=\nSOME STOP WORD))'
test = testInput.iloc[0].str.extract(pattern)
test

输出:

text    NaN
Name: 0, dtype: object

使用 regex101.com 的示例代码(我只包含链接，以便帖子不会太长。在该网站上，您还可以复制自动生成的代码，该代码正在运行，并且仅提取起始词和停止词之间的行):https://regex101.com/r/JM6Sgc/1

因此我的两个问题:

• 为什么我的正则表达式不能与 pandas str 提取函数一起使用

• 为什么我不需要需要在 pandas 提取函数中转义\n 而在 regex101 网站以及“普通”正则表达式代码中？示例模式:

  • 成功提取第一行:
    • pattern = r'(?<=\nSOMEWORD\n---------\n)(\w.+)'
  • 无法提取第一行并输出 NaN:
    • pattern = r'(?<=\\nSOMEWORD\\n------------\\n)(\w.+)'

Answer 1

您可以放弃环视并确保匹配换行符并使用 re.DOTALL 修饰符(您可以将其设置为内联修饰符，(?s)):

r'(?s)\nSOMEWORD\n----------\n(\w.+?)\nSOME STOP WORD'

请参阅regex demo

详细信息

• (?s) - 内联 re.DOTALL 修饰符，使 . 匹配包括换行符在内的任何字符
• \nSOMEWORD\n---------\n - 文字子字符串，其中 \n 与文字 LF 字符匹配
• (\w.+?) - 第 1 组(该值将由 str.extract 返回):一个单词字符后跟 1 个以上字符，尽可能少尽可能
• \nSOME STOP WORD - 一个 LF 和一个 SOME STOP WORD 子字符串