我有以下格式的演讲者信息行列表(注意:该列表来自 LibriSpeech 语料库):
58 | M | train-other-500 | 30.06 | George Coutts
|
(管道)将该行分为:
- 发言者 ID
- 性别
- 语料库的子集
- 录制的音频分钟数
- 演讲者姓名
我想使用正则表达式在 Python 中提取此信息。到目前为止我已经使用了以下正则表达式:
(?P<speaker_id>.*)\|(?P<sex>.*)\|(?P<subset>.*)\|(?P<minutes>.*)\|(?P<speaker_name>.*)(?=.*)
这适用于几乎所有情况,除非说话者名称本身包含管道字符(至少有一个说话者是这种情况)。然后,正则表达式通过贪婪地匹配第一组(然后还包含性别和子集信息)以错误的方式分割不同的组。
参见https://regex101.com/r/GQzWOg/2进行演示。
如何使正则表达式匹配最后一个管道之后的所有内容,如 speaker_name
组?
我已经尝试过 positive lookahead 进行实验但我真的无法理解这个......
最佳答案
您可以使您的正则表达式更加具体:
^(?P<speaker_id>\d+)\s*\|\s*(?P<sex>[MF])\s*\|\s*(?P<subset>.*?)\s*\|\s*(?P<minutes>\d[\d.]*)\s*\|\s*(?P<speaker_name>.*)
请参阅regex demo
分解:
-
^
- 字符串的开头(如果使用re.M
标志则为行) -
(?P<speaker_id>\d+)
- 1+ 位数字 -
\s*\|\s*
-|
用 0+ 空格括起来 -
(?P<sex>[MF])
-M
或F
(针对性别) -
\s*\|\s*
-|
用 0+ 空格括起来 -
(?P<subset>.*?)
- 除了换行符之外的任何 0+ 个字符尽可能少 -
\s*\|\s*
-|
用 0+ 空格括起来 -
(?P<minutes>\d[\d.]*)
- 一个数字,然后是 0+ 个数字或.
-
\s*\|\s*
-|
用 0+ 个空格括起来 -
(?P<speaker_name>.*)
- 除了换行符之外的任何 0 个以上字符,直到字符串/行的末尾。
关于python - 正则表达式匹配字符串中任意数量的标记,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49974923/