python - 给定一个字符串列表，如何使用正则表达式找到第一个字符串匹配子字符串的位置？

Question

我将电子邮件正文解析为字符串列表(每行都是一个字符串)。作为回复的电子邮件将在底部有一个部分重复之前的电子邮件并以“>”开头，就像这样......

Hi Dude,

This is just an example.

On Fri, Apr 1, 2016 at 10:14 AM, Some Dude (somedude@example.com)

> The prior email text

我想使用 NLP 对消息运行一些文本分析，但想先将垃圾放在底部。我想我想使用的是 re 模块，通过正则表达式找到以下行:

On Fri, Apr 1, 2016 at 10:14 AM, Some Dude (somedude@example.com)

一旦我找到了位置，就将列表切片到该位置。但我无法找到该线的位置。可能有更性感的方式来写这个，但这是我到目前为止所拥有的:

pattern = r'\AOn +([A-Z]+[a-z]{2}), +([A-Z]+[a-z]{2}) +([1-31])'
indices = [i for i, x in enumerate(text) if re.search(pattern, x)]

我认为我的问题出在我的正则表达式模式中(它确实看起来有效并且与 https://www.regex101.com/ 等地方的行匹配，但我被困在那里，因为索引返回一个空集 []. 在上面提供的示例文本中，我希望它返回 4(第 5 行)。

Answer 1

enumerate(text) 是对 text 字符的迭代器。由于您想要找到行号，因此您必须迭代行。例如，您可以使用 str.split('\n') 将 text 拆分为单独的行。

>>> [i for i, x in enumerate(text.split('\n')) if x and re.search(pattern, x)]
[4]

考虑到您只需要找到第一个匹配行，可以使用 next和一个像这样的生成器表达式:

>>> next(i for i, x in enumerate(text.split('\n')) if x and re.search(pattern, x))
4

<小时/>

要获取文本的其余部分，您可以连接迭代器的“剩余部分”:

>>> it = enumerate(text.split('\n'))
>>> next(i for i, x in it if x and re.search(pattern, x))
4
>>> '\n'.join(x for _, x in it)
'\n> The prior email text\n'

或更改正则表达式以匹配整行:

>>> match = re.search(r'On +([A-Z]+[a-z]{2}), +([A-Z]+[a-z]{2}) +([1-31]).*?\n', text)
>>> text[match.end():] # Don't forget to check if match is None
'\n> The prior email text\n'

<小时/>

您应该避免使用正则表达式，特别是如果您需要查找的只是 > 字符的位置。

>>> text[text.index('>'):]
'> The prior email text\n'