从Python中的字符串中删除EDIFACT消息

Question

一个sample EDIFACT message看起来像这样：

UNB+AHBI:1+.? '
UNB+IATB:1+6XPPC:ZZ+LHPPC:ZZ+940101:0950+1'
UNH+1+PAORES:93:1:IA'
MSG+1:45'
IFT+3+XYZCOMPANY AVAILABILITY'
ERC+A7V:1:AMD'
IFT+3+NO MORE FLIGHTS'
ODI'
TVL+240493:1000::1220+FRA+JFK+DL+400+C'
PDI++C:3+Y::3+F::1'
!ERC+21198:EC'
APD+74C:0:::6++++++6X'
TVL+240493:1740::2030+JFK+MIA+DL+081+C'
PDI++C:4'
APD+EM2:0:1630::6+++++++DA'
UNT+13+1'
UNZ+1+1'

我需要创建一个正则表达式，从字符串中删除这种类型的EDIFACT消息。它不应该从字符串中丢失任何额外的文本，因为它可能包含一些重要的信息。例如，edifact可以嵌入文本中，如：

After discussing with team we found that wrong org segment sent in edifact message. Can you please investigate further why wrong ORG segment is sent. [EDIFACT MESSAGE]
Update information as quickly as possible

有人能帮我创建一个正则表达式吗？你知道吗

Answer 1

在an EDIFACT format description上，UNA部分是可选的，而UNB是必需的，因此两者都可以指示消息的开头。UNZ部分是必需的页脚。考虑一个包含

First
UNA:+.? '
UNB+IATB:1+6XPPC:ZZ+LHPPC:ZZ+940101:0950+1'
UNH+1+PAORES:93:1:IA'
MSG+1:45'
...
UNZ+1+1'
Message
Second
UNB+AHBI:1+.? '
UNB+IATB:1+6XPPC:ZZ+LHPPC:ZZ+940101:0950+1'
UNH+1+PAORES:93:1:IA'
MSG+1:45'
...
UNZ+1+1'
Message

...与您的完整示例相当，下面是一些python3代码：

import re
import sys

regex = re.compile(r'(?:UNA.*?)?UNB.*?UNZ.*?(?:\r\n|\r|\n)', flags=re.DOTALL)
print(re.sub(regex, '', sys.stdin.read()), end='')

在这里，我假设UNZ部分一直持续到行尾，尽管这可能是不准确的。也就是说，它似乎也有一个固定的格式，人们可以更精确地建模。你知道吗

正则表达式本身的运行：

• (?:UNA.*?)?是一个可选的UNA部分；UNA后面的部分可以有任何大小或格式，但应该尽可能小。你知道吗
• UNB.*?是一个必需的UNB部分；这标志着EDIFACT消息的开始，并一直持续到第一次出现UNZ为止。你知道吗
• UNZ.*?(?:\r\n|\r|\n)是一个强制的UNZ部分；它后面跟有到达行末尾所需的尽可能多的字符。因为这似乎是一种相当古老的格式，所以对行尾的类型保持保守可能是一件好事。（\r\n是Windows，很多网络协议出于兼容性的考虑都支持这一点，\r本身就是真正的旧mac，\n是Unix）。你知道吗
• ^{}部分告诉Python的regex引擎将换行作为“.”的一部分。你知道吗

在此处运行此脚本将提供：

First
Message
Second
Message