Python:混合场景正则表达式

Question

我已经为此苦苦挣扎了一段时间，但几乎两手空空。

我正在将文件解析为 pandas 数据帧，然后将其转储到 mysql，并且我有一组具有如下变化的行:

523421 F-INV PROC 11/01 01:00:00
634312 MA-BAREAUTH 11/01 01:00:00
523421 MK-PERM YEAR 11/01 01:00:00
123512 G5-FSB 3.00 11/01 01:00:00
864982 JA-PAREN 4.25* 11/01 01:00:00
934821 4.00 11/01 01:00:00
620021 I-MAS DIN 5.25* 11/01 01:00:00
969722 MS-DARE .35 11/01 01:00:00

我试图将每一行翻译成 4 组，无论组是否为空。到目前为止，我已经在以下正则表达式方面取得了进展，但是如果日期戳之前没有\d.\d{2} 匹配，则它不起作用:

(\d{6}).([^\d]*).([^\s][\.]\d+[\*]*).(\d{2}\/\d{2}\s\d{2}\:\d{2}\:\d{2})

这个想法是将一行像分组

969722 MS-DARE 1.35 11/01 01:00:00

像这样:

969722 MS-DARE 1.35 11/01 01:00:00

这适用于诸如969722 MS-DARE 1.35 11/01 01:00:00 但当 group2 中有空格时会中断，例如:

969722 MS-DARE PIN .35 11/01 01:00:00 我想将其分组为 969722 MS-DARE PIN 1.35 11/01 01:00:00

总体而言，最终目标是拥有所有这些变体组，例如:

523421 F-INV PROC .95 11/01 01:00:00

634312 MA-BAREAUTH 11/01 01:00:00

523421 MK-PERM YEAR 11/01 01:00:00

123512 G5-FSB 3.00 11/01 01:00:00

864982 JA-PAREN 4.25* 11/01 01:00:00

934821 4.00 11/01 01:00:00

620021 I-MAS DIN 5.25* 11/01 01:00:00

969722 MS-DARE .35 11/01 01:00:00

如何考虑所有这些变化，以便我始终有 4 个组，并且如果存在 3.00 或 0.35 之类的金额，则它是第 3 组，否则为空？

更新:

https://regex101.com/r/lL8rIj/1/

这里越来越近了，但如果没有数量，我需要为每场比赛提供一个空的组 3..

Answer 1

看来你可以使用

^                                      # start of line
(?P<group1>\d+)\s                      # capture numbers, match whitespace
(?P<group2>(?:(?!\d*\.\d+|\d{2}/).)+)? # capture as long as the formats 
                                       # of group 3 and 4 are not met  
                                       # the group is optional
(?P<group3>\d*\.\d+\*?)?\s+            # format of group 3...
(?P<group4>\d+/\d+.+)                  # ... and 4 respectively
$                                      # end of line

参见a demo on regex101.com 。

<小时/>在 Python 和 pandas 中，这将是:

import re, pandas as pd

string = """
864982 JA-PAREN 4.25* 11/01 01:00:00
934821 4.00 11/01 01:00:00
620021 I-MAS DIN 5.25* 11/01 01:00:00
969722 MS-DARE AUT .35 11/01 01:00:00
523421 F-INV PROC 11/01 01:00:00
634312 MA-BAREAUTH 11/01 01:00:00
523421 MK-PERM YEAR 11/01 01:00:00
123512 G5-FSB 3.00 11/01 01:00:00
"""

rx = re.compile(r'''
    ^
    (?P<group1>\d+)\s
    (?P<group2>(?:(?!\d*\.\d+|\d{2}/).)+)?
    (?P<group3>\d*\.\d+\*?)?\s+
    (?P<group4>\d+/\d+.+)
    $''', re.VERBOSE | re.MULTILINE)

records = ((m.group(1), m.group(2).rstrip() if m.group(2) else None, 
            m.group(3), m.group(4)) 
            for m in rx.finditer(string))

df = pd.DataFrame(records)
print(df)

<小时/>这会产生

        0             1      2               3
0  864982      JA-PAREN  4.25*  11/01 01:00:00
1  934821          None   4.00  11/01 01:00:00
2  620021     I-MAS DIN  5.25*  11/01 01:00:00
3  969722   MS-DARE AUT    .35  11/01 01:00:00
4  523421    F-INV PROC   None  11/01 01:00:00
5  634312   MA-BAREAUTH   None  11/01 01:00:00
6  523421  MK-PERM YEAR   None  11/01 01:00:00
7  123512        G5-FSB   3.00  11/01 01:00:00