如何使用自定义正则表达式进行多个调用？

Question

编辑：此部分已解决，但是我的代码有最后一个问题，请参阅最后一个答案。

我有一个文本文件，结构如下：

Name1 (Middlename1) LastName
Birthyear
Name2 (Middlename2) LastName
Birthyear
...
NameN (MiddlenameM) LastName
Birthyear

我正在尝试使用RE自动查找名称和年份，但由于两个信息不在同一行，所以我不知道如何合并这两个RE：

import re
regexp = re.compile(  r'(( )*)(?P<name>([a-zA-Z]*)( [a-zA-Z]+)? ROCHE)\n'
                      r'(( )*)(?P<year>18\d\d)\n'
                   )

两个RE正在独立工作，但不能一起工作。我应该怎么做？

Answer 1

您想要one正则表达式，它扫描跨越two行的字符串。然后，您想查找连续的匹配项。但首先：

至少在英语国家中，名称可以包含连字符（Anne-Marie），撇号（O'Donnell），句号（John Q. Public）等。因此，我正在使用允许这些字符的正则表达式。同样，人们可能有多个中间名。我想说明的是如何通过名称/年份对进行迭代。您可以自定义实际的正则表达式以满足您自己的特定要求。

正则表达式：

^(?P<name>(?:[a-z.'-]+(?:\s+[a-z.'-]+)*))\n(?P<year>\d{4})$  Flags: re.M|re.I

1. ^匹配行的开始。
2. [a-z.'-]+匹配一个或多个字母，句点，'或-字符。这是一个名称元素。
3. (?:\s+[a-z.'-]+)*匹配一个或多个空格字符，后跟name element。重复0次或更多次。因此，命名组name由1个或多个name elements组成，并由一个或多个空格字符分隔。
4. [\n匹配换行符。
5. (?P<year>\d{4})$匹配4位数字，后跟行尾或字符串末尾。

[MULTILINE标志将^和$锚视为特殊，因此除了字符串的开头和结尾，行的开头和结尾之外，它们也匹配。

该代码依赖于re.finditer查找连续的匹配项：

import re

text = """John Doe
1921
John Q. Public
1987
Anne-Marie Smith
1989
Paul O'Donnell
2001
J. P. Marquand
1893
"""

regexp = re.compile(r"^(?P<name>(?:[a-z.'-]+(?:\s+[a-z.'-]+)*))\n(?P<year>\d{4})$", flags=re.M|re.I)
for m in regexp.finditer(text):
    name = m['name']
    year = m['year']
    # do something with name and year in the second file. Here we are just printing the values.
    print(name, year)

打印：

John Doe 1921
John Q. Public 1987
Anne-Marie Smith 1989
Paul O'Donnell 2001
J. P. Marquand 1893

Answer 2

所以大家好，

感谢您的帮助：此处提供代码

import re

text = open("name.txt", "r")

regexp = re.compile(r"^(?P<name>(?:[a-z.'-]+(?:\s+[a-z.'-]+)*))\n(?P<year>\d{4})$", flags=re.M|re.I)
for m in regexp.finditer(text.read()):
    name = m['name']
    year = m['year']
    # do something with name and year in the second file. Here we are just printing the values.
    print(name, year)

我的第二个文件的结构如下：

Roger Coekelbergs
1921
Philip Poutou
1921
Jeanne Susette
1893
Louisa Morrel
2001

所以现在我需要创建一个函数，该函数使用与名称相关的年份，并创建一个新的正则表达式来搜索第二个文件中的任何对应关系，因此我们几乎没有匹配项：

text2 = open("name2.txt", "r")

def findmatch(text2, year):
    regexp2 = re.compile(f"^(?P<name2>(?:[a-z.'-]+(?:\s+[a-z.'-]+)*))\n(?P<year2>{year})$", flags=re.M|re.I)
    matchs = []
    for n in regexp2.finditer(text2.read()):
        matchs.append(n['name2'])
    print(matchs)

findmatch(text2, '1921')
findmatch(text2, '2001')

但是我有一个问题，我不明白为什么，第一个findmatch(text2, '1921')有效，但是第二个或第三个无效...第二个迭代之后，返回的列表始终为空。它与参数无关，因为如果我仅先执行findmatch(text2, '2001')，它将显示预期的结果。我认为这与正则表达式有关，我试图在每个新的迭代中分配新的值，但它不是这样。

有人可以帮助我，谢谢！！ >>

Answer 3

您应使用re.MULTILINE