python 查找并匹配精确字符串

Question

我该如何将一个.csv文件中的某一列字符串与一系列定义好的数据类型进行匹配呢？

这些数据类型的列表是：

Datatype = ["M", "B", "E", "A", "DF", "DW", "DL", "DT", "XTEXT", "MDEDATA"]

我想用匹配到的类型去字典里查找一个值。

有效的部分

当我的代码在输入中找到像DW1这样的内容时（下面有例子），它会在输出文件中写入DW:5；而当找到DT34时，它会写入DT:7。这一切都运行得很好。

无效的部分

但问题是，每当我的代码遇到XTEXT时，它首先会把它匹配到E: 2（因为E在XTEXT中），然后再匹配到下一行的XTEXT: 4105。结果，输出文件中对应的行显示的是2而不是4105。类似的情况也发生在MDEDATA上，它被解析为A:3。

我尝试使用正则表达式来去掉输入文件中相关列的数字（这行在上面的代码中被注释掉了），像这样：

if (Datatype[n] == re.sub('[1234567890\n]', '', line.split(";")[1])):
    # ...

但这在遇到像X256DATA这样的字符串时会造成问题。

另一个问题是，当前生成的输出文件在第一列显示abc;DW1，第二列显示5，但我希望第一列是abc，第二列是DW1，第三列是5！

我该如何解决这些问题？任何帮助都非常感谢。

---

CSV示例

输入：

1 abc DW1  
2 uz5 XTEXT

当前输出：

1 abc DW1    5
2 uz5 XTEXT  4105

TXT示例

输入：

abc;DW1\n  
uz5;XTEXT\n

当前输出：

abc;DW1,5\n  
uz5;XTEXT,4105\n    

期望输出

abc;DW1;5\n  
uz5;XTEXT;4105\n

Answer 1

正如itsjeyd所建议的，

re.sub('^[0-9]+', '', x) or re.sub('[0-9]+$', '', x) does the trick!

Answer 2

好的，这里有一个基于你代码的解决方案，应该能适用于你的.txt文件格式：

import csv

# Define data_type / dict1 / dict2:

data_type = [
    "M", "E", "B", "A", "DF", "DW", "DL", "DT", "PF", "PW", "PL", "PT",
    "XTEXT", "MDEDATA", "X8DATA", "X16DATA", "X32DATA", "X64DATA",
    "X128DATA", "X256DATA", "X512DATA", "X1024DATA", "X2048DATA",
    "X4096DATA", "X8912DATA"]

dict1 = {
    "M": 1, "E": 2, "A": 3, "DF": 4, "DW": 5, "DL": 6, "DT": 7, "PF": 8,
    "PW": 9, "B": 10, "PL": 11, "PT": 12, "XTEXT": 4105, "MDEDATA": 4110,
    "X8DATA": 10000, "X16DATA": 10001, "X32DATA": 10002, "X64DATA": 10003,
    "X128DATA": 10004, "X256DATA": 10005, "X512DATA": 10006,
    "X1024DATA": 10007, "X2048DATA": 10008, "X4096DATA": 10009,
    "X8912DATA": 10010}

dict2 = {
    "M": "B", "E": "B", "A": "B", "DF": ">f","PF": ">f", "DW": ">h",
    "PW": ">h", "DL": ">l", "PL": ">l", "DT": "String", "PT": "String",
    "B": "B", "XTEXT": "XTEXT", "MDEDATA": "MDEDATA", "X8DATA": "X8DATA",
    "X16DATA": "X16DATA", "X32DATA": "X32DATA", "X64DATA": "X64DATA",
    "X128DATA": "X128DATA", "X256DATA": "X256DATA", "X512DATA": "X512DATA",
    "X1024DATA": "X1024DATA", "X2048DATA": "X2048DATA",
    "X4096DATA": "X4096DATA", "X8912DATA": "X8912DATA"}

# Obtain writer for output file:

source = 'GSV.txt'
dest = open('GSV_copy.txt', 'w')

# Process data:

import re

source_lines = open(source).readlines()
for line in source_lines:
    x = line.split(';')[1]
    icon_lletter = ''
    icon_lnummer = 0
    python_letter = ''
    for t in data_type:
        if x.startswith(t): # Alternative using re: "if re.match(t, x)"
            icon_lletter = t
            break
    if (icon_lletter not in dict1):
        print "Entry (%s) in Dictionary1 is not available" % (icon_lletter)
    else:
        icon_lnummer = dict1[icon_lletter]
    if (icon_lletter not in dict2):
        print "Entry (%s) in Dictionary2 is not available" % (icon_lletter)
    else:
        python_letter = dict2[icon_lletter]
        print "Converted the GVR datatype to python datatype is %s : %s : %s" \
            % (icon_lletter, python_letter, icon_lnummer)
        # Write line to output file:
        dest.write(';'.join([line.strip('\n'), str(icon_lnummer) + '\n']))

dest.close()

请注意：

• 这个解决方案是我在尽量保持你原始实现的基础上来解决你的问题。其实还有其他方法可以达到你的目标，可能会更符合Python的风格、更高效或者更简洁。

• 因为你的输入和输出文件的列数不一样，格式也不同，所以你最终可能需要把代码改成一个（或多个）函数，这样可以把不同的部分（文件类型和要检查的列）作为参数传入。

---

编辑：

在进一步研究这个问题时，我发现dest中的输出有点混乱。（我之前没注意到这一点 :)) 我已经修改了代码，现在可以生成你想要的确切输出。

---

另一个编辑（基于评论中的讨论）：

关于在输入文件中匹配数据类型与定义的data_type列表的问题：如果你输入文件中的DT总是有你不想考虑的数字在开头或结尾，你可以使用

re.sub('^[0-9]+', '', x)

或者

re.sub('[0-9]+$', '', x)

来去掉它们。

Answer 3

正常情况下，查字典是要完全匹配键的。如果你得到多个匹配，那说明你在做其他事情。

>>> dict1 = {"M":1, "E":2, "A":3, "DF":4, "DW":5, "DL":6, "DT":7, "B":10, "XTEXT":4105, "MDEDATA":4110}
>>> dict1["XTEXT"]
4105

从更新的问题来看，你其实并不是在找完全匹配的内容，因为文件中的 DW1 应该和 Datatype 中的 DW 匹配。如果你想检查字符串的开头是否匹配，可以使用 str.startswith：

>>> "DW1".startswith("DW")
True

注意，你必须先检查 MDEDATA 再检查 M，这样才能避免错误匹配。一般来说，先检查较长的匹配，再检查较短的匹配。