"Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
因此，基本上是演员的名字列表（可以选择在括号中跟上他们的角色）。角色本身可以包含逗号（演员的名字不可以，我强烈希望如此）。
我的目标是将这个字符串分割成一个对的列表 - (actor name, actor role)。
一个显而易见的解决方案是检查每个字符，检查是否有'('、')'和','的出现，并在外面出现逗号时将其分割。但这似乎有点沉重...
我在想用regexp来分割它：先用小括号分割字符串。
import re
x = "Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
s = re.split(r'[()]', x)
# ['Wilbur Smith ', 'Billy, son of John', ', Eddie Murphy ', 'John', ', Elvis Presley, Jane Doe ', 'Jane Doe', '']
这里的奇数元素是演员名字，偶数元素是角色。然后我可以用逗号分割这些名字，并以某种方式提取名字-角色对。但这似乎比我的第一种方法还要糟糕。
有什么更简单/更好的方法可以做到这一点，要么用一个单一的regexp或者一段漂亮的代码？
10 个回答
0 人赞同
一种方法是使用findall，并使用一个能贪婪地匹配可以在分隔符之间的东西的重码，例如。
>>> s = "Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
>>> r = re.compile(r'(?:[^,(]|\([^)]*\))+')
>>> r.findall(s)
['Wilbur Smith (Billy, son of John)', ' Eddie Murphy (John)', ' Elvis Presley', ' Jane Doe (Jane Doe)']
上面的反义词匹配一个或多个。
non-comma, non-open-paren characters
strings that start with an open paren, contain 0 or more non-close-parens, and then a close paren
这种方法的一个怪癖是，相邻的分隔符被视为一个单一的分隔符。也就是说，你不会看到一个空字符串。这可能是一个错误，也可能是一个特点，取决于你的使用情况。
还要注意的是，重词是not适用于有可能出现嵌套的情况。因此，例如，这将错误地分割。
"Wilbur Smith (son of John (Johnny, son of James), aka Billy), Eddie Murphy (John)"
如果你需要处理嵌套问题，你最好的办法是将字符串分割成括号、逗号和其他东西（基本上是标记化 -- 这一部分仍然可以用重码来完成），然后通过这些标记重新组合字段，一边走一边跟踪你的嵌套级别（这种跟踪嵌套级别是重码自己无法做到的）。
0 人赞同
s = re.split(r',\s*(?=[^)]*(?:\(|$))', x)
lookahead将所有内容都匹配到下一个开放括号，或匹配到字符串的结尾。iff中间没有封闭括号。 这确保了逗号不在一组括号内。
0 人赞同
我认为处理这个问题的最好方法是使用python内置的csv module.
因为csv模块只允许一个字符quotechar，你需要对你的输入进行替换，将()转换为类似|或"的东西。然后确保你使用的是适当的方言，就可以了。
0 人赞同
一个关于人类可读的重码的尝试。
import re
regex = re.compile(r"""
# name starts and ends on word boundary
# no '(' or commas in the name
(?P<name>\b[^(,]+\b)
# everything inside parentheses is a role
(?:\(
(?P<role>[^)]+)
\))? # role is optional
""", re.VERBOSE)
s = ("Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley,"
"Jane Doe (Jane Doe)")
print re.findall(regex, s)
Output:
[('Wilbur Smith', 'Billy, son of John'), ('Eddie Murphy', 'John'),
('Elvis Presley', ''), ('Jane Doe', 'Jane Doe')]
0 人赞同
我的答案将不使用regex。
我认为简单的字符扫描器与状态"in_actor_name"应该可以工作。记住，状态"in_actor_name"在这个状态下是以'）'或逗号结束的。
My try:
s = 'Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)'
in_actor_name = 1
role = ''
name = ''
for c in s:
if c == ')' or (c == ',' and in_actor_name):
in_actor_name = 1
name = name.strip()
if name:
print "%s: %s" % (name, role)
name = ''
role = ''
elif c == '(':
in_actor_name = 0
else:
if in_actor_name:
name += c
else:
role += c
if name:
print "%s: %s" % (name, role)
Output:
Wilbur Smith: Billy, son of John
Eddie Murphy: John
Elvis Presley:
Jane Doe: Jane Doe
0 人赞同
以下是我过去在这种情况下使用的一般技巧。
使用sub模块的re函数，以函数作为替换参数。该函数会跟踪开括号和闭括号、大括号和小括号以及单引号和双引号，并且只在这些括号和引号的子串之外进行替换。然后，你可以用另一个你确定不会出现在字符串中的字符（我使用ASCII/Unicode分组分隔符：chr(29)代码）来替换非括号/引号的逗号，然后对该字符进行简单的字符串分割。以下是代码。
import re
def srchrepl(srch, repl, string):
"""Replace non-bracketed/quoted occurrences of srch with repl in string"""
resrchrepl = re.compile(r"""(?P<lbrkt>[([{])|(?P<quote>['"])|(?P<sep>["""
+ srch + """])|(?P<rbrkt>[)\]}])""")
return resrchrepl.sub(_subfact(repl), string)
def _subfact(repl):
"""Replacement function factory for regex sub method in srchrepl."""
level = 0
qtflags = 0
def subf(mo):
nonlocal level, qtflags
sepfound = mo.group('sep')
if sepfound:
if level == 0 and qtflags == 0:
return repl
else:
return mo.group(0)
elif mo.group('lbrkt'):
level += 1
return mo.group(0)
elif mo.group('quote') == "'":
qtflags ^= 1 # toggle bit 1
return "'"
elif mo.group('quote') == '"':
qtflags ^= 2 # toggle bit 2
return '"'
elif mo.group('rbrkt'):
level -= 1
return mo.group(0)
return subf
如果你的Python版本中没有nonlocal，只要把它改为global，并在模块级定义level和qtflags。
Here's how it's used:
>>> GRPSEP = chr(29)
>>> string = "Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
>>> lst = srchrepl(',', GRPSEP, string).split(GRPSEP)
['Wilbur Smith (Billy, son of John)', ' Eddie Murphy (John)', ' Elvis Presley', ' Jane Doe (Jane Doe)']
0 人赞同
这个帖子对我帮助很大。我正在寻找通过逗号定位外引号来分割一个字符串。我把这个作为一个开端。我的最后一行代码是regEx = re.compile(r'(?:[^,"]|"[^"]*")+')。这就成功了。非常感谢。
0 人赞同
我当然同意上面 @Wogan 的意见，使用 CSV moudle 是一个好方法。尽管如此，如果你仍然想尝试一个重合的解决方案，可以试试这个，但你必须把它改成Python方言。
string.split(/,(?=(?:[^\"]*\"[^\"]*\")*(?![^\"]*\"))/)
0 人赞同
split by ")"
>>> s="Wilbur Smith (Billy, son of John), Eddie Murphy (John), Elvis Presley, Jane Doe (Jane Doe)"
>>> s.split(")")
['Wilbur Smith (Billy, son of John', ', Eddie Murphy (John', ', Elvis Presley, Jane Doe (Jane Doe', '']
>>> for i in s.split(")"):
... print i.split("(")
['Wilbur Smith ', 'Billy, son of John']
[', Eddie Murphy ', 'John']
[', Elvis Presley, Jane Doe ', 'Jane Doe']
你可以做进一步的检查，以获得那些不带有（）的名字。
0 人赞同
如果你的数据中存在任何错误或噪音，上述答案都不正确。
如果你知道每次的数据都是正确的，就很容易想出一个好的解决方案。 但是，如果有格式错误会怎样？ 你希望发生什么？
