python - 如何提取和打印与这些 RegEx 模式之一匹配的子字符串，同时保持原始输入字符串中的出现顺序？

Question

我在从字符串打印所需元素时遇到了一些问题，因为这些所需元素响应不同的模式(在这种情况下，我将其简化为 3 种正则表达式模式)。如下例所示，目标是打印存储在 substring_to_extract_1 或/和 substring_to_extract_2 变量中的内容，并且这些信息提取必须打印在控制台中它们在输入字符串中出现的顺序(这很棘手，因为在读取循环中有 3 种模式需要检查)

import re

input_text = "quizas seria mejor ir de 06 00 am a 11 59 ya que me gusta viajar a esas horas" #example 1

finding loop:

    continue_comparing = True

    # 1) The least restrictive RegEx, not too restrictive but must be extracted by 2 substrings
    #    examples: "entre las 19hs y las 20 30", "entre las 18 y las 20", "entre la 1 y las 15hs"
    regex_1 = "(?:apartir de |de|entre |desde )\s*(?:las|la )\s*" substring_to_extract_1 "\s*(?:de la tarde|de la noche|de la mañana|)\s*(?:y las |y la |hasta las |hasta la |hasta )\s*" substring_to_extract_2 "\s*(?:de la tarde|de la noche|de la mañana|)"
    if (regex_2 == True and continue_comparing == True):
        print(repr(substring_to_extract_1))
        print(repr(substring_to_extract_2))
        continue_comparing = False
    
    # 2) The intermediate restrictive RegEx, but it must be indicated if it is "am" or "pm"
    #    examples:  "las 18:00am", "las 1800pm", "las 1800 p.m.", "las 08 00 am", "la 01 00 a.m.", "las 19 15 pm", "las 23 pm"
    regex_2 = "(?:las|la )\s*" substring_to_extract_1 "\s*(?:a.m.|a.m|am.|am|a m|p.m.|p.m|pm.|pm|p m)\s*(?:de la tarde|de la noche|de la mañana|)"
    if (regex_1 == True and continue_comparing == True):
        print(repr(substring_to_extract_1))
        continue_comparing = False

    # 3) The last and the most restrictive RegEx, it should only extract a substring like the first regex, but this requires that this substring be preceded by more things
    #    examples: "a las 17", "a las 6 y 15", "desde las 15 hs", "a las 15 y 45 hs", "hasta las 17 00", "antes de las 16:06"
    regex_3 = "(?:a eso de |a esas de |despues de |antes de |hasta |tipo |desde |apartir de |de |a )\s*(?:las|la )\s*" substring_to_extract_1 "\s*(?:de la tarde|de la noche|de la mañana|)"
    if (regex_3 == True and continue_comparing == True):
        print(repr(substring_to_extract_1))
        continue_comparing = False

在正则表达式模式中，我将提取数据的位置指定为 substring_to_extract_1，但例如对于第一个正则表达式，我认为是这样的 r'(\d{1 ,2}\s*(?::| )\s*\d{1,2}\s*(?:am|pm))' 会起作用。然后我可以使用函数 .groups()

提取这些匹配项

对于其他 2 个正则表达式，我不确定，因为它们在很大程度上取决于阅读循环的结构。

---

可能要解析的输入字符串的一些示例:

示例 1:

input_text = "quizas seria mejor ir de 06 00 am a 11 59 ya que me gusta viajar a esas horas"

在这种情况下，您必须将以下子字符串一一提取并按出现顺序打印...

我需要的输出:

"de 06 00 am"   <--- was extracted by the second regex pattern
"a 11 59"       <--- was extracted by the third regex pattern

示例 2:

input_text = "a eso de las 6 de la tarde o las 19 15 pm deberiamos estar alli, no crees? recuerda que desde las 15 hs ya empieza el evento, pero podemos estar alli antes de las 14 30 hs, aunque eso depende porque el show recien empezara entre las 15 hs y las 18pm"

我需要的输出:

"de las 6 de la tarde"    <--- was extracted by the third regex pattern
"las 19 15 pm"            <--- was extracted by the second regex pattern
"desde las 15"            <--- was extracted by the third regex pattern
"de las 14 30"            <--- was extracted by the third regex pattern
"entre las 15"            <--- was extracted by the first regex pattern
"y las 18pm"              <--- was extracted by the first regex pattern

示例 3:

input_text = "Hay que estar presentes entre las 19hs y las 20 30 hs, y seguro salimos a las 23 pm"

我需要的输出:

"entre las 19"            <--- was extracted by the first regex pattern
"y las 20 30"             <--- was extracted by the first regex pattern
"a las 23 pm"             <--- was extracted by the second regex pattern

示例 4:

input_text = "A las 19 salimos!! es importante llegar alla antes de las 20 30 hs"

我需要的输出:

"A las 19"                <--- was extracted by the third regex pattern
"de las 20 30"            <--- was extracted by the third regex pattern

示例 5:

input_text = "A las 19:30 salimos!! es importante llegar alla antes de las 20 30 hs, ya que a las 21: pm cierran algunos negocios, sin embargo el cine esta abierto hasta las 23:30 pm de la noche"

我需要的输出:

"A las 19:30"                    <--- was extracted by the third regex pattern
"de las 20 30"                   <--- was extracted by the third regex pattern
"a las 21: pm"                   <--- was extracted by the second regex pattern
"hasta las 23:30 pm de la noche" <--- was extracted by the second regex pattern

---

我应该如何读取输入的字符串？因此，我应该如何构建允许我们在这些情况下评估模式的代码块？

Answer 1

尝试(regex101):

import re

test_cases = [
    "a eso de las 6 de la tarde o las 19 15 pm deberiamos estar alli, no crees? recuerda que desde las 15 hs ya empieza el evento, pero podemos estar alli antes de las 14 30 hs, aunque eso depende porque el show recien empezara entre las 15 hs y las 18pm",
    "quizas seria mejor ir de 06 00 am a 11 59 ya que me gusta viajar a esas horas",
    "Hay que estar presentes entre las 19hs y las 20 30 hs, y seguro salimos a las 23 pm",
    "A las 19 salimos!! es importante llegar alla antes de las 20 30 hs",
]

pat = re.compile(
    r"\b(?:de las|entre las|desde las|y las|a las|las|de|a)\s+\d+(?:\s+\d+)?\s*(?:pm|am|de la tarde)?",
    flags=re.I,
)

for t in test_cases:
    x = pat.findall(t)
    print(t)
    print("-" * 80)
    print(*map(str.strip, x), sep="\n")
    print()

打印:

a eso de las 6 de la tarde o las 19 15 pm deberiamos estar alli, no crees? recuerda que desde las 15 hs ya empieza el evento, pero podemos estar alli antes de las 14 30 hs, aunque eso depende porque el show recien empezara entre las 15 hs y las 18pm
--------------------------------------------------------------------------------
de las 6 de la tarde
las 19 15 pm
desde las 15
de las 14 30
entre las 15
y las 18pm

quizas seria mejor ir de 06 00 am a 11 59 ya que me gusta viajar a esas horas
--------------------------------------------------------------------------------
de 06 00 am
a 11 59

Hay que estar presentes entre las 19hs y las 20 30 hs, y seguro salimos a las 23 pm
--------------------------------------------------------------------------------
entre las 19
y las 20 30
a las 23 pm

A las 19 salimos!! es importante llegar alla antes de las 20 30 hs
--------------------------------------------------------------------------------
A las 19
de las 20 30

---

编辑:将其保存为子字符串:

out = []
for t in test_cases:
    x = pat.findall(t)
    out.append(list(map(str.strip, x)))

print(out)

打印:

[
    [
        "de las 6 de la tarde",
        "las 19 15 pm",
        "desde las 15",
        "de las 14 30",
        "entre las 15",
        "y las 18pm",
    ],
    ["de 06 00 am", "a 11 59"],
    ["entre las 19", "y las 20 30", "a las 23 pm"],
    ["A las 19", "de las 20 30"],
]

---

编辑 2:使用 ::

import re

test_cases = [
    "a eso de las 6 de la tarde o las 19 15 pm deberiamos estar alli, no crees? recuerda que desde las 15 hs ya empieza el evento, pero podemos estar alli antes de las 14 30 hs, aunque eso depende porque el show recien empezara entre las 15 hs y las 18pm",
    "quizas seria mejor ir de 06 00 am a 11 59 ya que me gusta viajar a esas horas",
    "Hay que estar presentes entre las 19hs y las 20 30 hs, y seguro salimos a las 23 pm",
    "A las 19 salimos!! es importante llegar alla antes de las 20 30 hs",
    "A las 19:30 salimos!! es importante llegar alla antes de las 20 30 hs, ya que a las 21: pm cierran algunos negocios, sin embargo el cine esta abierto hasta las 23:30 pm de la noche",
]

pat = re.compile(
    r"\b(?:de las|entre las|desde las|y las|a las|las|de|a)\s+\d+(?:[\s:]+)?(?:\d+)?\s*(?:pm|am|de la tarde)?",
    flags=re.I,
)

out = []
for t in test_cases:
    x = pat.findall(t)
    out.append(list(map(str.strip, x)))

print(out)

打印:

[
    [
        "de las 6 de la tarde",
        "las 19 15 pm",
        "desde las 15",
        "de las 14 30",
        "entre las 15",
        "y las 18pm",
    ],
    ["de 06 00 am", "a 11 59"],
    ["entre las 19", "y las 20 30", "a las 23 pm"],
    ["A las 19", "de las 20 30"],
    ["A las 19:30", "de las 20 30", "a las 21: pm", "las 23:30 pm"],
]