在正则表达式中逐字逐句地挑选单词

Question

假设我有以下案文：

test = '\n\nDisclaimer ...........................\t10\n\nITOM - IT Object Model ...............\t11\n\nDB – Datenbank Model..................\t11\n\nDB - Datenbank Model - Views .........\t12'

看上去像是：

Disclaimer ...........................  10

ITOM - IT Object Model ...............  11

DB – Datenbank Model..................  11

DB - Datenbank Model - Views .........  12

我想列一张清单，列出我得到的内容：

['Disclaimer', 'ITOM - IT Object Model', 'DB – Datenbank Model', 'DB - Datenbank Model - Views' ]

因此，我做以下几点：

re.findall(r'^[a-zA-Z\%\$\#\@\!\-\_]\S*', test1, re.MULTILINE)

返回：

['Disclaimer', 'ITOM', 'DB', 'DB']

我不知道为什么我的RegEx不选-后面的单词

Answer 1

您可以在这里使用regex和non方法：

[line.split('...')[0].strip() for line in test1.splitlines() if line.strip()]
[re.sub(r'\s*\.+\s*\d+\s*$', '', line) for line in test1.splitlines() if line.strip()]
re.findall(r'^(.*?)[^\S\n]*\.+[^\S\n]*\d+[^\S\n]*$', test1, re.M) 

见Python演示。

备注：

• 文本被分割成几行。
• 如果行为空，则删除该行。
• 要么用三个点来分割线，然后得到第一个块
• 或者，如果您更喜欢regex，请删除带有可选空格的点，然后是数字，可能还有尾随空格。

或者，如果您更喜欢完全regex方法(请参阅上述代码段中的第三行代码)，您可以使用re.findall和^(.*?)[^\S\n]*\.+[^\S\n]*\d+[^\S\n]*$模式：

• ^ -行的开始
• (.*?) -第1组:除行中断字符以外的任何零或多个字符，尽可能少
• [^\S\n]* --零或多个水平空白空间
• \.+ -一个或多个点
• [^\S\n]* --零或多个水平空白空间
• \d+ -一个或多个数字
• [^\S\n]* --零或多个水平空白空间
• $ -线路的尽头。

见regex演示。

Answer 2

我提出了另一种方法，用不同的准则。替换不需要的字符，而不是找到所需的字符，因为这似乎很容易为您的情况。

见下文：

contents = re.sub(r"\s?(\.)+\s+(\d)+\b", "", text, re.MULTILINE).splitlines(keepends=False)

这将产生您想要的内容列表。