输入字符串上的Python正则表达式来格式化文件名中的空白

Question

尝试用Python编写一个regex，它将接受格式错误的文件名，并修复它们。这对某些字符串（f0-f5）有效，但对其他字符串无效：

import re, os, sys

f0 = '201308 - (82608) - MAC 2233-007-Methods of Calculus - Klingler, Lee.txt'
f1 = '201308 - (12345) - ABC 2233L-007-course Name 1 - last, first.txt'
f2 = '@ @ @ @ @ @ 123 abc - a-1 - b-2.txt'
f3 = '201308-(82609)     -MAC 2233-007-Methods of Calculus  -  Klingler, Lee.txt'
f4 = '201308    -    (12345)-ABC 2233L-007-course Name-last, first.txt'
f5 = '201308-(12345)-ABC 2233L-007-course Name-last, first.txt'

term = "201308"
res1 = re.search(term + '\s-\s\(\d{5}\)\s-\s\w{3}\s\d{4}\w?-\d{3}-[^\.]+\s-\s[^\.]+\.txt', f1)
r1 = re.sub(r"(?<=[0-9]) ?- ?(?=[^0-9a-zA-Z])", " - ", re.sub(r"(?<=[^0-9]) ?- ?(?=[0-9a-zA-Z])", " - ", f4))
r2 = re.sub(r"(?<=[0-9]) *- *(?=[^0-9a-zA-Z])", " - ", re.sub(r"(?<=[^0-9]) *- *(?=[0-9a-zA-Z])", " - ", f4)) # success!!
if r1: print r1
else: print "error on %s"%r1
if r2: print r2
else: print "error on %s"%r2

正如您从f0-f5中看到的（除了f2，它只是一个离群值），这是为了获取连字符之间带有不正确空格的字符串（这会将元素分开），并将其重新组合在一起，如r1和r2所示。res1是与格式正确的字符串匹配的正则表达式。在

以下是正确文件名的示例（不正确的名称有不同的空格）：

201308 - (82608) - MAC 2233-007-Methods of Calculus - Klingler, Lee.txt

出于同样的原因，re.split()不能使用，因为它不会将连字符之间的空白规范化为字符串中该点所需的任何内容。在

f3可以通过r2修复，但是f4和f5确实是我需要更正的错误类型。连字符前后的空白（仅限）需要完全匹配正确的格式。在

编辑：

感谢所有来信提出解决方案的人。今天你确实教了我很多东西，你可以放心的是，你一个人至少提高了一个人的编程能力。锦上添花正在帮助我解决一个让我沮丧了一周的问题。不幸的是，只有一个可以被选择接受的答案，这是困难的部分。在

非常接近调用，但使用regex只是因为时间复杂度在这里可能不是一个很大的问题，总共<；500个文件（并且被划分为目录，所以不会太慢程序的每次传递，这是用户输入驱动的）。另外，我刚从正则表达式中学到了很多东西，我的脑子里都在想我到底得到了多少信息。在

Answer 1

好吧，我想你可以用你当前的regex作为有效的文件名，然后稍微调整一下：

\s*-\s*(\(\d{5}\))\s*-\s*(\w{3}\s\d{4}\w?-\d{3}-(?:[^.\s]|\b\s\b)+)\s*-\s*([^.]+\.txt)$

并使用替代品：

^{pr2}$

（第一个连字符前还有一个空格）

我在\s中添加了一些*，并使用了(?:[^.\s]|\b\s\b)+)（考虑到课程名称中的空格）而不是{}（注意，[^\.]中的句点不需要转义）。在

regex101 demo。在

>>> f4 = '201308    -    (12345)-ABC 2233L-007-course Name-last, first.txt'
>>> print(re.sub(r'\s*-\s*(\(\d{5}\))\s*-\s*(\w{3}\s\d{4}\w?-\d{3}-(?:[^.\s]|\b\s\b)+)\s*-\s*([^.]+\.txt)$', r' - \1 - \2 - \3', f4)
201308 - (82609) - MAC 2233-007-Methods of Calculus - Klingler, Lee.txt

Answer 2

我会用findall()代替sub()，比如：

re.findall(r'^(\d+)\s*-\s*(\(\d+\))\s*-\s*(.*?)\s*-\s*(\S+,.*)$', string)

演示：

^{pr2}$

它产生：

201308 - (82608) - MAC 2233-007-Methods of Calculus - Klingler, Lee.txt
201308 - (12345) - ABC 2233L-007-course Name 1 - last, first.txt
201308 - (82609) - MAC 2233-007-Methods of Calculus - Klingler, Lee.txt
201308 - (12345) - ABC 2233L-007-course Name - last, first.txt
201308 - (12345) - ABC 2233L-007-course Name - last, first.txt

Answer 3

对于如此复杂的任务，编写一个简单的解析器会更简单。即使不编写解析器，类似这样的东西仍然比regexp更容易管理：

f0 = '201308 - (82608) - MAC 2233-007-Methods of Calculus - Klingler, Lee.txt'
f1 = '201308 - (12345) - ABC 2233L-007-course Name 1 - last, first.txt'
f2 = '@ @ @ @ @ @ 123 abc - a-1 - b-2.txt'
f3 = '201308-(82609)     -MAC 2233-007-Methods of Calculus  -  Klingler, Lee.txt'
f4 = '201308    -    (12345)-ABC 2233L-007-course Name-last, first.txt'
f5 = '201308-(12345)-ABC 2233L-007-course Name-last, first.txt'

for f in [f0,f1,f2,f3,f4,f5]:
    parts = f.split('-')
    parts = [p.strip() for p in parts]
    for i in range(0, len(parts)):
        if i == 0 or i == 4:
            parts[i] = parts[i] + ' '
        elif i == 2:
            parts[i] = ' ' + parts[i]
        elif i != 3:
            parts[i] = ' ' + parts[i] + ' '

    result = "-".join(parts)

    print result

如果输入的数据与您所展示的基本相似，那么这些ifs中很少有能够工作的。在

结果：

^{pr2}$