如何使用python在一个大文本文件的几行中提取实体名称

Question

我有一个大的python文本文件，如下所示：

junk
junk
...
Company          Rent
--------        --------
Andy Candy       2000

Store            0.00

2135  

Moody Group      5000

4512             50%

....
....
junk
junk
....
repeat

我想循环行并提取帐号和公司名称。当它循环通过前三行时，我的想法输出如下：

['2135','Andy Candy Store']

然后当它循环通过下两行时，输出 是:

['4512','Moody Group']

我已尝试使用以下代码：

with open(filepath) as f:
    count=0
    for line in f:
        if line.find("----") == -1 and line != '\n' and re.search(
                "Company|Rent", line) == None:
            if re.match('^[a-zA-Z]', line) is not None:
                name = re.findall(r'\b([a-zA-Z]+)\b', line)
                name = ' '.join(name)
                print('name', name)
            elif re.match('^[0-9]', line) is not None:
                number = line.split(' ', 1)[0]
                out = str(number) + ', ' + str(name)
                out = out.split(', ')
                print(out)

我得到的结果如下：

['2135\n','Store']

有什么建议可以解决这个问题吗？谢谢

Answer 1

您可以使用以下带有标志/gmi的正则表达式

^Company\s+Rent\r?\n   *\s+-*\r?\n([a-z]+(?: [a-z]+)*).*\r?\n(?:([a-z]+(?: [a-z]+)*).*\r?\n)?(\d+)\s*\r?\n([a-z]+(?: [a-z]+)*).*\r?\n(?:([a-z]+(?: [a-z]+)*).*\r?\n)?(\d+)

Python demo

此正则表达式有六个捕获组：

1. 公司名称，第1行
2. 公司名称，第2行（可选）
3. 公司名称后的数字标识符
4. 组名，第1行
5. 组名称，第2行（可选）
6. 组名后的数字标识符

如果公司（组）名称仅在一行上，则捕获组2（5）将为nil。如果公司名称始终位于两行，而组名称始终位于一行，如示例中所示，则可以相应地简化正则表达式。如果公司或集团名称可以跨越两行以上，则必须相应地修改正则表达式

此正则表达式执行以下操作

^
Company\s+Rent\r?\n # match line
   *\s+-*\r?\n   # match line

(               # begin cap grp 1 (company name 1)
  [a-z]+        # match 1+ ltrs 
  (?: [a-z]+)   # match 1 space, 1+ ltrs in non-cap grp
  *             # execute non-cap grp 0+ times
)               # end cap grp 1 
.*\r?\n         # match remainder of line

(?:             # begin non-cap grp
  (             # begin cap grp  2  (opt. company name 2)             
    [a-z]+      # match 1+ ltrs
    (?: [a-z]+) # match 1 space, 1+ ltrs in non-cap grp
    *           # execute non-cap grp 0+ times
  )             # end cap grp 2
  .*\r?\n       # match remainder of line
)               # end non-cap group 
?               # optionally match non-cap grp

(\d+)           # match 1+ digits in cap grp 3 (company id)
\s*\r?\n        # match remainder of line

(               # begin cap grp 4 (group name 1)
  [a-z]+        # match 1+ ltrs
  (?: [a-z]+)   # match 1 space, 1+ ltrs in non-cap grp
  *             # execute non-cap grp 0+ times
)               # end cap grp 4
.*\r?\n         # match remainder of line

(?:             # begin non-cap grp
  (             # begin cap grp 5 (opt. group name 2)
    [a-z]+      # match 1+ ltrs
    (?: [a-z]+) # match 1 space, 1+ ltrs in non-cap grp
    *           # execute non-cap grp 0+ times
  )             # end cap grp 5
  .*\r?\n       # match remainder of line
)               # end non-cap grp
?               # optionally match non-cap grp

(\d+)           # match 1+ digits in cap grp 6 (group id)

我知道Python的正则表达式引擎不支持子例程。这是不幸的，因为使用子例程会大大简化正则表达式。例如，PCRE（PHP）引擎将允许将第一个([a-z]+(?: [a-z]+))之后的每个实例替换为((?1))

Answer 2

仅稍微修改了您的代码：

with open(filepath) as f:
    name = ''
    for line in f:
        if line and line.find("  ") == -1 and re.search(
                "Company|Rent", line) is None:
            if re.match('^[a-zA-Z]', line) is not None:
                names = re.findall(r'\b([a-zA-Z]+)\b', line)
                names = ' '.join(names)
                name += names
            elif re.match('^[0-9]', line) is not None:
                number = line.split(' ', 1)[0]
                print([number, name])
                name = ''

这假设您已经正确地分离了垃圾，并且逻辑本身是正确的。 主要修复方法是在后续行中连接名称部分

如果使用上述文件内容（将垃圾行替换为与正则表达式不匹配的内容），我会得到：

['2135', 'Andy Candy Store']
['4512', 'Moody Group']