如何使用正则表达式正确提取数据
我第一次面对正则表达式，我需要从此报告中提取一些数据（带有格式信息的 txt 文件）：
\n10：Vikelis M，Rapoport AM。的作用 抗癫痫药物作为预防 \n偏头痛药物。中枢神经系统药物。 2010年 1 月 1 日；24(1)：21-33。 doi：\n10.2165/11310970-000000000-00000。 审查。 PubMed PMID： 20030417.\n\n\n21：约翰内森地标 C、拉尔森 PG、瑞特 E、 约翰内森 SI.抗癫痫药\药物 癫痫和其他疾病——a 基于人群的研究 处方。\n癫痫研究。 2009年 十一月；87(1)：31-9。电子版 2009 年 8 月 13 日。 PubMed PMID：19679449。\n\n\n
正如您所看到的，所有 txt 记录都以“xx:”之类的数字开头，并且始终以“PubMed PMID: dddddddd”结尾。但是使用这样的正则表达式：
regex = re.compile(r"^\d+: .+ PMID: \d{8}.$")
regex.findall(inputfile)
给我一个列表一大串，所以我误解了一些东西，如何从这些记录中提取数据？
i'm facing regulars expressions for the first time and i need to extract some data from this report (a txt file with formatting info):
\n10: Vikelis M, Rapoport AM. Role of
antiepileptic drugs as preventive
agents for \nmigraine. CNS Drugs. 2010
Jan 1;24(1):21-33.
doi:\n10.2165/11310970-000000000-00000.
Review. PubMed PMID:
20030417.\n\n\n21: Johannessen Landmark C, Larsson PG, Rytter E,
Johannessen SI. Antiepileptic\ndrugs
in epilepsy and other disorders--a
population-based study of
prescriptions.\nEpilepsy Res. 2009
Nov;87(1):31-9. Epub 2009 Aug 13.
PubMed PMID: 19679449.\n\n\n
As you can see all the txt's records begins with a number like "xx:" and always ends with "PubMed PMID: dddddddd. but using a RegEx like this:
regex = re.compile(r"^\d+: .+ PMID: \d{8}.$")
regex.findall(inputfile)
Gives me a list with one big string, so i'm misunderstanding something. How can i extract data from these records?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（2）
使用
.+?进行非贪婪匹配，而不是使用.+进行贪婪匹配。您还需要一个re.DOTALL以确保您的.与其需要匹配的行结束字符匹配，并且re.MULTILINE确保^和$< /code> 匹配行的开头和结尾，而不仅仅是整个字符串。有问题的选项需要与“位或”|运算符连接，并作为第二个参数传递给 re.compile。Use
.+?for non-greedy matching instead of.+which gives you greedy matching. You also want are.DOTALLto make sure your.matches the line-end characters it needs to match, andre.MULTILINEto make sure the^and$match starts and ends of line, not just of the whole string. The options in question need to be joined with the "bit-OR"|operator and passed as the second argument to re.compile.如果记录与示例中所示的一致，则无需使用正则表达式。将文本文件简单地划分为标记列表就可以解决问题。例如：
将逐行打印参考文献的每个元素：
同样，如果您可以相信记录的第一行有作者；第二个是标题，第三个是期刊，依此类推，你也许可以很快做到这一点。如果信息更“上下文化”，那么此时您可以开始使用正则表达式。
祝你好运。
If the records are as consistent as presented in your example, you don't need to use regular expressions. A simple partition of the text file into lists of tokens will do the trick. For instance:
will print line by line each element of your references:
Again, if you can trust that the first line of a record has the author; the second one the title, the third one the journal, etc, you may be able to do this very fast. If the information is a bit more "contextual" then you can START using regexp at this point.
Good luck.