python - 使用正则表达式剪切以特定字符开头的字符串？

Question

我正在处理一个平面文件，数据是逐行格式的，如下所示

... blah blah blah | sku: 01234567 | price: 150 | ... blah blah blah

我要提取sku字段，它是长度为8个字符的数字。但是，我不确定是否应该使用split或regex，我不太擅长在python中使用regex。

Answer 1

假设您的sku值总是8个字符长，并且前面总是有'sku'，可能还有一些'：'（中间有或没有空格），那么我将使用regex：r'sku[\s:]*(\d{8})'：

>>> import re
>>> string = '... | sku: 01234567 | price: 150 | ... '
>>> re.findall(r'sku[\s:]*(\d{8})', string)[0]
'01234533'

如果 sku值的长度可能是可变的，请使用： r'sku[\s:]*(\d*)'：

>>> import re
>>> string = '... | sku: 01234 | price: 150 | sku: 99872453 | blah blah ... '
>>> re.findall(r'sku[\s:]*(\d*)', string)[0]
'01234'
>>> re.findall(r'sku[\s:]*(\d*)', string)[1]
'99872453'

编辑
如果您的“sku”后面跟着其他字符，如 sku1、 sku2、 sku-sp、 sku-18或 sku_anything，您可以尝试：

>>> re.findall(r'sku\D*(\d*)', string)[0]

这完全等同于：

>>> re.findall(r'sku[^0-9]*([0-9]*)', string)[0]

很一般。它将匹配以 sku开头的任何内容，然后是任何未确定数量的非十进制字符（ \D*，或 [^0-9]*）和一些十进制字符（ \d*，或 [0-9]*）。它将返回后者（一个长度待定的十进制字符字符串）。
现在，我用来构建这些表达式的东西是什么意思：
量词
*：当跟随单个字符或一类字符时，此符号表示表达式将匹配其跟随的任何未确定数量的字符或类（ *表示“0或一些”、 +表示“至少一个”、 ?表示“0或1”）。
{}的用法与 *、 +和 ?相同，即它们跟随一个字符或一类字符。它们也是量词。如果你说 c{4}，它将匹配由4'c'组成的任何字符串。如果你说 c{1,6}，它将匹配由1到6'c'组成的任何字符串。
班级
[]：定义一类字符。 [abc]表示任何字符“a”、“b”或“c”。 [a-z]表示任何小写字母。 [A-Z]，任意大写字母， [a-zA-Z]任意小写和大写字母，[0-9]任意十进制字符。如果要将小数与点或逗号、加号、减号和“e”（例如指数）匹配，只需说 [0-9,\.+-e]。
类内部的 ^用 []定义，表示“反向类”，除了类之外的所有内容。那么， [^0-9]表示除十进制字符以外的任何字符， [^a-z]表示除小写字母以外的任何字符，等等。
预定义类
这些是在python中预定义的类，用于使regex语法更友好：
\s：将匹配任何间距字符（空格、制表等）
\d：将匹配任何十进制字符（0、1、2、3、4、5、6、7、8、9。。。这相当于 [0-9]，这是在正则表达式中表示字符类的另一种方式）
\D：将匹配任何非十进制字符。。。这相当于 [^0-9]，这是在正则表达式中表示排除字符类的另一种方法。
\S：将匹配任何非空格字符。。。
\w：将匹配任何“单词字符”
\W：将匹配任何非单词字符
...
组
()定义了一些组。它们有很多用法。在这里，在 findall中，组将突出显示您希望由表达式返回的内容。。。即 (\d{8})或 [0-9]{8}意味着您希望表达式只返回匹配完整字符串中8个十进制字符的字符串。
正则表达式非常容易使用，而且非常有用。你只需要很好地理解他们能做什么和不能做什么（他们只限于普通语言）。如果您需要处理嵌套的级别，例如，或者使用上下文无关语法定义的其他语言，那么regex是不够的）。您可能需要查看以下页面：
http://docs.python.org/library/re.html
http://www.regular-expressions.info/tutorial.html