从文本文件中编译职位名称的Python正则表达式

Question

我有一个文本文件，里面的内容是这样的，每一列之间用制表符（Tab）分隔：

CAMPUS  NAME    TITLE
AUJV    "Judith"    Research Technician Associate
BRGE    "Aagesen"   ADJUNCT CLINICAL INSTRUCTOR
YJFF    "Matthew"   HOUSE OFFICER IV

我想写一个正则表达式，来找到第三列的字符，也就是第二个制表符后面的内容，并把它们标记为“jobtitle”。这样做的目的是为了把职位名称归在一起，以便我可以按出现频率对它们进行排序。

这是我目前的进展，但我觉得我匹配到的字符不对：

jobtitle_re = re.compile(r"[^\t\w\t]+,(?P<jobtitle>\w+)", re.I)

我代码的其余部分是这样的：

for line in salary_file.readlines():
  line.rstrip()
  (campus, name, title) = line.split('\t')
  jobtitle = jobtitle_re.match(title).group('jobtitle')

  titlecount[jobtitle] = titlecount.setdedault(jobtitle,0)+1

print "\nMost common job titles\n-------"
i = 0
for title, titlecount in sorted(titlecount.iteritems(), key=lambda (k,v): (v,k), reverse=True):
  i += 1
  print "%d. %s\t%s" % (i,title, titlecount)

Answer 1

我不明白为什么你觉得split不适用，但这里有一个正则表达式作为替代方案：

^[A-Z]+[ \t]+"\w+"[ \t]+(?P<jobtitle>[\w ]+)$

Debuggex演示

注意，如果数据确实是用制表符分隔的，你可以把 [ \t]+ 改成 \t+

Answer 2

我也不明白你为什么需要正则表达式。这样做怎么样...

from collections import Counter

titles = []

for line in salary_file.readlines():
    line.rstrip()
    (campus, name, title) = line.split('\t')
    titles.append(title)

print "\nMost common job titles\n-------"

for i, (title, titlecount) in enumerate(Counter(titles).most_common()):
  print "%d. %s\t%s" % (i, title, titlecount)