Python使用正则表达式提取文本文件中的段落

问题描述

我正在使用 Python 3.7，我正在尝试使用正则表达式从一些文本文件中提取一些段落。

这是 txt 文件内容的示例。

AREA: OMBEYI MARKET,ST. RITA RAMULA

DATE: Thursday 25.03.2021,TIME: 9.00 A.M. = 5.00 P.M.

Ombeyi Mk,Kiliti Mkt,Masogo Mkt,Miwani,Kasongo,Onyango Midika,St. Rita Ramula,Onyalo
Biro,Yawo Pri,Obino,Rutek,Keyo Pri & adjacent customers.

AREA: NYAMACHE FACTORY

DATE: Thursday 25.03.2021,TIME: 830 A.M. - 3.00 P.M.

Nyamache Fact,Suguta,Gionseri,Igare,Kionduso,Nyationgongo,Enchoro,Kebuko,Emenwa,Maji
Mazuri,Borangi & adjacent customers.

AREA: SUNEKA MARKET,RIANA MARKET

DATE: Thursday 25.03.2021,TIME: 8.00 A.M. - 3.00 P.M.

Suneka Mk,Riana Mk,Kiabusura,Gesonso,Chisaro,Sugunana,Nyamira Ndogo & adjacent
customers.

AREA: ITIATI,GITUNDUTI

DATE: Thursday 25.03.2021,TIME: 9.00 A.M. = 2.00 P.M.

General China,Gachuiro,Gathuini Pri,Itiati Campus,Kianjugum,Gikore,Kihuri TBC,Gitunduti &
adjacent customers.

目前我可以使用正则表达式提取区域、日期和时间：

area_pattern = re.compile("^AREA:((.*))")
date_pattern = re.compile("^DATE:(.*),")
time_pattern = re.compile("TIME:(.*).")

我希望能够在 DATE/TIME 之后和 AREA 之前提取包含以逗号分隔的位置的段落。所以我将能够匹配以下内容：

1.
Ombeyi Mk,Keyo Pri & adjacent customers.

2.
Nyamache Fact,Borangi & adjacent customers.

3.
Suneka Mk,Nyamira Ndogo & adjacent
customers.

4.
General China,Gitunduti &
adjacent customers.

如果有人可以帮助建议一个有助于此用例的正则表达式，以及对我当前正则表达式的改进，我将不胜感激。谢谢

解决方法

您可以将此正则表达式与要在 re.findall 中使用的捕获组一起使用：

\nDATE:.*\n*((?:\n.*)+?)(?=\nAREA:|\Z)

RegEx Demo

正则表达式详情：

• \nDATE:：匹配换行符后匹配文本 DATE:
• .*\n*：匹配行的其余部分，后跟 0 个或多个换行符
• ((?:\n.*)+?)：捕获组 1 以捕获我们的文本，直到满足下一个条件为止的所有内容的 1 或行
• (?=\nAREA:|\Z)：断言我们在当前位置之前有一个换行符，后跟 AREA: 或输入结束

,

作为替代模式：

^DATE:.*((?:\n(?!AREA:).*)+)

• ^DATE:.* 匹配 DATE: 和该行的其余部分
• ( 捕获组 1
  • (?:\n(?!AREA:).*)+ 重复 1+ 行不以 AREA: 开头的行
• ) 关闭第 1 组

Regex demo | Python demo