我有一个需要在Python中解析的文本。
它是一个字符串，我想将其拆分为一系列行，但是如果换行符（\n）在引号内，则应忽略它。
例如：
abcd efgh ijk\n1234 567"qqqq\n---" 890\n
应该将其解析为以下行的列表：
abcd efgh ijk
1234 567"qqqq\n---" 890
我尝试使用
split('\n')，但我不知道如何忽略引号。有什么想法吗？
谢谢！
4个回答
8
这里有一个更简单的解决方案。
匹配由(?:"[^"]*"|.)+组成的分组。即，匹配"引号内的内容或非换行符的内容"。
例如：
import re
re.findall('(?:"[^"]*"|.)+', text)
注意：这个函数将多个换行符合并为一个，因为空白行会被忽略。为了避免这种情况，也可以添加一个空字符：
(?:"[^"]*"|.)+|(?!\Z)。
(?!\Z)的意思是“不是字符串的末尾”，有点令人困惑。而(?!)则表示负向前瞻；\Z则表示字符串的结尾。测试：
import re
texts = (
'text',
'"text"',
'text\ntext',
'"text\ntext"',
'text"text\ntext"text',
'text"text\n"\ntext"text"',
'"\n"\ntext"text"',
'"\n"\n"\n"\n\n\n""\n"\n"'
)
line_matcher = re.compile('(?:"[^"]*"|.)+')
for text in texts:
print("{:>27} → {}".format(
text.replace("\n", "\\n"),
" [LINE] ".join(line_matcher.findall(text)).replace("\n", "\\n")
))
#>>> text → text
#>>> "text" → "text"
#>>> text\ntext → text [LINE] text
#>>> "text\ntext" → "text\ntext"
#>>> text"text\ntext"text → text"text\ntext"text
#>>> text"text\n"\ntext"text" → text"text\n" [LINE] text"text"
#>>> "\n"\ntext"text" → "\n" [LINE] text"text"
#>>> "\n"\n"\n"\n\n\n""\n"\n" → "\n" [LINE] "\n" [LINE] "" [LINE] "\n"
- Veedrac
4
感谢您的解决方案！非常简洁而优雅！ - Yuval Atzmon
干得好，赞扬！ - georg
迄今为止我遇到过的最专业的答案之一！如果想要在空格处分割（而不是换行符），可以使用：
(?:"[^"]*"|[^\s]+?)+ - jakob.j好奇：为什么正则表达式需要非匹配组（
(?:...）？使用“普通”组也可以吗？ - jakob.j4
你可以将其拆分，然后缩减它以组合具有奇数个
如@Veedrac所指出的那样，这是一个O(n^2)复杂度的算法。但是，通过跟踪双引号
（最后一个空字符串是由输入字符串末尾的最后一个 \n 造成的。）
"元素的部分：txt = 'abcd efgh ijk\n1234 567"qqqq\n---" 890\n'
s = txt.split('\n')
reduce(lambda x, y: x[:-1] + [x[-1] + '\n' + y] if x[-1].count('"') % 2 == 1 else x + [y], s[1:], [s[0]])
# ['abcd efgh ijk', '1234 567"qqqq\n---" 890', '']
说明：
if x[-1].count('"') % 2 == 1
# If there is an odd number of quotes to the last handled element
x[:-1] + [x[-1] + y]
# Append y to this element
else x + [y]
# Else append the element to the handled list
也可以这样写：
def splitWithQuotes(txt):
s = txt.split('\n')
res = []
for item in s:
if res and res[-1].count('"') % 2 == 1:
res[-1] = res[-1] + '\n' + item
else:
res.append(item)
return res
splitWithQuotes(txt)
# ['abcd efgh ijk', '1234 567"qqqq\n---" 890', '']
如@Veedrac所指出的那样，这是一个O(n^2)复杂度的算法。但是，通过跟踪双引号
"的数量，我们可以避免这种情况的发生。def splitWithQuotes(txt):
s = txt.split('\n')
res = []
cnt = 0
for item in s:
if res and cnt % 2 == 1:
res[-1] = res[-1] + '\n' + item
else:
res.append(item)
cnt = 0
cnt += item.count('"')
return res
splitWithQuotes(txt)
# ['abcd efgh ijk', '1234 567"qqqq\n---" 890', '']
（最后一个空字符串是由输入字符串末尾的最后一个 \n 造成的。）
- njzk2
10
额...这是一个二次时间复杂度的解决方案，而问题本身只需要O(n)的时间复杂度。 - Veedrac
感谢您的解决方案！ - Yuval Atzmon
@Veedrac：感谢您进行研究。我从未想过会有这样的结果。我仍然不明白它为什么会这样做。 - njzk2
我一直在尝试各种配置来测试你的程序，但是测试得越多，我就越感到困惑。 - njzk2
显示剩余5条评论
1
好的，这似乎是有效的（假设引号正确平衡）：
rx = r"""(?x)
\n
(?!
[^"]*
"
(?=
[^"]*
(?:
" [^"]* "
[^"]*
)*
$
)
)
"""
测试：
str = """\
first
second "qqq
qqq
qqq
" line
"third
line" AND "spam
ham" AND "more
quotes"
end \
"""
import re
for x in re.split(rx, str):
print '[%s]' % x
结果：
[first]
[second "qqq
qqq
qqq
" line]
["third
line" AND "spam
ham" AND "more
quotes"]
[end ]
如果上面的看起来太奇怪了，你也可以分两步来做：
str = re.sub(r'"[^"]*"', lambda m: m.group(0).replace('\n', '\x01'), str)
lines = [x.replace('\x01', '\n') for x in str.splitlines()]
for line in lines:
print '[%s]' % line # same result
- georg
1
感谢您的解决方案！ - Yuval Atzmon
1
有许多方法可以实现这一点。我想出了一个非常简单的方法：
splitted = [""]
for i, x in enumerate(re.split('"', text)):
if i % 2 == 0:
lines = x.split('\n')
splitted[-1] += lines[0]
splitted.extend(lines[1:])
else:
splitted[-1] += '"{0}"'.format(x)
- igortg
1
谢谢你的解决方案！ - Yuval Atzmon
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
foo"bar"oh"what？ - Pavel