Python从段落中提取信息

Question

我是 Python 新手，现在我正在尝试从一组包含员工相关统计数据的段落中提取信息。

例如，该段落可能如下所示:

Name Rakesh Rao Age 34 Gender Male Marital Status Single

整个文本没有用任何逗号分隔，所以我很难分隔这些信息。 有时变量名称后面可能有冒号，有时可能没有。例如，在第 1 行中，它是“Name Rakesh Rao”，但在第 2 行中它是“Name:Ramachandra Deshpande”。

此信息大约有 1400 条记录，因此如果我不必手动分离这些信息，那就太好了。 有人能帮忙吗？我将非常感激!

Answer 1

嗯，我想你可以尝试使用正则表达式来做到这一点。 如果您的文字正是这样:

paragraph = 'Name Rakesh Rao Age 34 Gender Male Marital Status Single'

您可以使用此正则表达式(您必须先 import re):

m = re.fullmatch(
    (
    r'Name(?:\:)? (?P<name>\D+) '  # pay attention to the space at the end
    r'Age(?:\:)? (?P<age>\d+) '
    r'Gender(?:\:)? (?P<gender>\D+) '
    r'Marital Status(?:\:)? (?P<status>\D+)'  # no space here, since the string ends
    ),
    paragraph
)

然后您可以使用正则表达式中定义的组名称，如下所示:

>>> m.group('name')
'Rakesh Rao'
>>> m.group('age')
'34'
>>> m.group('gender')
'Male'
>>> m.group('status')
'Single'

如果所有字段都在一行中，则只需替换 \n正则表达式中包含一个空格。

请注意，这将支持紧跟在行名称之后的单个逗号，如下所示:

Name: Rakesh Rao

但不支持不同的数据顺序。如果您也愿意，我可以尝试编写不同的表达式。

表达式解释

让我们看一下表达式的第一“行”:

r'Name(?:\:)? (?P<name>\D+) '

首先，为什么 r'…'字符串语法？这只是为了避免双反斜杠。在“典型”字符串中，我们需要编写如下表达式:

'Name(?:\\:)? (?P<name>\\D+) '

现在，到实际的表达。第一部分，Name ，非常明显。

(?:\:)?

这部分创建一个非捕获组( (?:…) )，内部带有冒号 - 它是 \:不仅仅是: ，因为冒号本身是正则表达式语法的一部分。非捕获组，因为这个冒号对我们来说真的不重要。

然后，在一个空格之后，我们有这样的:

(?P<name>\D+)

这将创建一个命名组，语法为 (?P<name_of_the_group>…) 。我使用命名组只是为了以后更容易、更好地提取信息，使用 m.group('name') ，其中m是一个匹配对象。

\D+表示“至少一个非数字字符”。这会捕获所有字母、下划线以及空格。这就是为什么字段的顺序对于这个特定的表达式如此重要。如果您要更改顺序并输入 Gender Name之间的字段和Age ，它也会捕获它，因为 +修饰符是贪婪的。

另一方面，\d+下“行”中的意思是“至少一个数字字符”，因此在 0 到 9 之间。

我希望解释已经足够了，但是在这个非常有用的网站上使用这个表达式可能对您有用:

https://regex101.com/r/N5ZJU9/2

我已经为您输入了正则表达式和测试字符串。