Сложное регулярное выражение становится меньше, чем ожидалось - PullRequest
Новая
       40

Сложное регулярное выражение становится меньше, чем ожидалось

0 голосов
/ 22 декабря 2018

Я пытаюсь поиграть с регулярным выражением в Python 2.7 , чтобы поймать пронумерованные сноски в тексте.Мой текст, преобразованный из PDF, выглядит следующим образом: 

test_str = u"""
7. On 6 March 2013, the Appeals Chamber filed the Decision on Victim 
Participation, in which it decided that the victims “may, through their legal 

1
 The full citation, including the ICC registration reference of all designations and abbreviations used in 
this judgment are included in Annex 1. 
2
 A more detailed procedural history is set out in Annex 2 of this judgment. 
ICC-01/04-02/12-271-Corr  07-04-2015  7/117  EK  A

 8/117 
representatives, participate in the present appeal proceedings for the purpose of 
presenting their views and concerns in respect of their personal interests in the issues 
on appeal”.3

8. On 19 March 2013, the Prosecutor filed, confidentially, ex parte, available to the 
Prosecutor and Mr Ngudjolo only, the Document in Support of the Appeal. The 
Prosecutor filed a confidential redacted version of the Document in Support of the 
Appeal on 22 March 2013, and a public redacted version of the Document in Support 
of the Appeal on 3 April 2013. In the redacted version of the Document in Support of 
the Appeal, the Prosecutor’s entire third ground of appeal was redacted. 

"""

Обратите внимание, что нумерованные абзацы , которые являются обычным содержимым моего текста, имеют префикс с номером и точкой (например,'5.') .В идеале я хотел бы получить что-то вроде: 

[(1,"The full citation, including the ICC registration reference of all designations and abbreviations used in 
this judgment are included in Annex 1. "), (2, "A more detailed procedural history is set out in Annex 2 of this judgment."

Мой код Python для получения сносок: 

regex = ur"""
(\r?\n)(?P<num>\d+)(?!\.) #first line
(?P<text>(?:\s(.|\r?\n)+?\s?(?:\n\n|\Z))) #following lines
"""
result = re.findall(regex, test_str, re.U|re.VERBOSE | re.X |re.MULTILINE)

, что дает мне: 

[(u'\n', u'1', u'\n The full citation, including the ICC registration reference of all designations and abbreviations used in \nthis judgment are included in Annex 1. \n\n', u'.')]

т.е. только первая сноска , в то время как мне нужны оба курса

Любые идеи приветствуются!

Ответы [ 2 ]

0 голосов
/ 23 декабря 2018

Я полагаю, что это регулярное выражение: (^\d+(?!\.).*?)(?=^\s*\d) работает так, как вы описываете.

Демо

Демо Python: 

>>> import re
>>> print ''.join(re.findall(r'(^\d+(?!\.).*?)(?=^\s*\d)', test_str, flags=re.M|re.S))
1
 The full citation, including the ICC registration reference of all designations and abbreviations used in 
this judgment are included in Annex 1. 
2
 A more detailed procedural history is set out in Annex 2 of this judgment. 
ICC-01/04-02/12-271-Corr  07-04-2015  7/117  EK  A

Если вы хотитезахватить номер сноски отдельно от текста: 

>>> re.findall(r'^(\d+)((?!\.).*?)(?=\s*^\d)', test_str, flags=re.M|re.S)
[(u'1', u'\n The full citation, including the ICC registration reference of all designations and abbreviations used in \nthis judgment are included in Annex 1. \n'), (u'2', u'\n A more detailed procedural history is set out in Annex 2 of this judgment. \nICC-01/04-02/12-271-Corr  07-04-2015  7/117  EK  A\n')]
0 голосов
/ 23 декабря 2018

Вы можете использовать это регулярное выражение, которое группирует данные на две части так, как вы хотите: первая - цифра, а вторая - после данных абзаца, 

(?s)(\d+)\n +(.*?)\s*(?=\d+\n)

Объяснение:

  • (?s) -> Позволяет точке соответствовать новым строкам, которые нам здесь понадобятся
  • (\d+) -> Соответствует одной или нескольким цифрам и помещает их в группу 1
  • \n + -> Соответствует новой строке, и " +" просто съедает любое пространство, которое не нужно вводить во второй группе захвата
  • (.*?) -> Эта группа захватывает предназначенныеданные и места в группе2
  • \s* -> Это просто съедает любое пространство, которое не нужно вводить в предполагаемом захвате текста
  • (?=\d+\n) -> смотреть вперед, останавливатьсязахват предполагаемого текста

Live Demo

Вот модифицированная версия вашего кода, 

import re

test_str = u"""
7. On 6 March 2013, the Appeals Chamber filed the Decision on Victim 
Participation, in which it decided that the victims “may, through their legal 

1
 The full citation, including the ICC registration reference of all designations and abbreviations used in 
this judgment are included in Annex 1. 
2
 A more detailed procedural history is set out in Annex 2 of this judgment. 
ICC-01/04-02/12-271-Corr  07-04-2015  7/117  EK  A

 8/117 
representatives, participate in the present appeal proceedings for the purpose of 
presenting their views and concerns in respect of their personal interests in the issues 
on appeal”.
3

8. On 19 March 2013, the Prosecutor filed, confidentially, ex parte, available to the 
Prosecutor and Mr Ngudjolo only, the Document in Support of the Appeal. The 
Prosecutor filed a confidential redacted version of the Document in Support of the 
Appeal on 22 March 2013, and a public redacted version of the Document in Support 
of the Appeal on 3 April 2013. In the redacted version of the Document in Support of 
the Appeal, the Prosecutor’s entire third ground of appeal was redacted. 

"""

result = re.findall(r'(?s)(\d+)\n +(.*?)\s*(?=\d+\n)', test_str)

print(result)

Что дает следующий результат, как вы ожидаете, 

[('1', 'The full citation, including the ICC registration reference of all designations and abbreviations used in \nthis judgment are included in Annex 1.'), ('2', 'A more detailed procedural history is set out in Annex 2 of this judgment. \nICC-01/04-02/12-271-Corr  07-04-2015  7/117  EK  A\n\n 8/117 \nrepresentatives, participate in the present appeal proceedings for the purpose of \npresenting their views and concerns in respect of their personal interests in the issues \non appeal".')]
...