python 使用命名组合解析结构化文本

使用命名组合来解析结构化的文本数据

有时候我们拿到的数据是以文本的形式逐条列出，而在输出文本时为了增加可读性，可能会将数据元素的描述信息写入进去，这样的结构化数据方便人工识别，但是对于数据的二次利用远不如csv,json等结构化数据好用，为了提取其中有用的信息，可以使用python正则库中命名组合的方法来处理。

官方文档里对命名组合的说明：

(?P…)命名组合）类似正则组合，但是匹配到的子串组在外部是通过定义的 name 来获取的。组合名必须是有效的Python标识符，并且每个组合名只能用一个正则表达式定义，只能定义一次。一个符号组合同样是一个数字组合，就像这个组合没有被命名一样。

命名组合可以在三种上下文中引用。如果样式是 (?P<quote>['"]).*?(?P=quote) （也就是说，匹配单引号或者双引号括起来的字符串)：

引用组合"quote"的上下文	引用方法
在正则式自身内	(?P=quote) 1
处理匹配对象 m	m.group('quote') m.end('quote')`
传递到 re.sub() 里的 repl 参数中	g g<1>

(?P=name)反向引用一个命名组合；它匹配前面那个叫 name 的命名组中匹配到的串同样的字串。

但具体怎么用呢？文档里并没有给出实例，这里结合一个具体的例子来说明一下用法：

例如对于下面的结构化字符串文本：

Student(name="John", age=18, grade=Grade(subject="English", mark=90))

如果想要拿到学生的各项信息，使用字符串查找会非常麻烦，而且不具有通用性，因此考虑使用python中的命名组合方式来提取。首先分析该字符串文本的结构，一个Student由三个属性组成：姓名name, 年龄age，学科成绩grade，其中grade属性本身也是一个结构化的文本数据，由两部分组成：学科subject和分数mark。

为了使我们的文本解析正则表达式具有更高的复用性，我们为该条字符串定义两组命名组合student_re和grade_re:

import re

grade_re = r'Grade[(]subject="(?P<subject>.*)", mark=(?P<mark>d+)[)]'
student_re = r'Student[(]name="(?P<name>.*)", age=(?P<age>d+), grade={grade}[)]'.format(grade=grade_re)

使用上述字符串进行测试，提取字符串中我们想要的属性字段数据：

match = re.match(student_re, test_str)
if match:
    print(match.group('name'))
    print(match.group('subject'))

输出：

John
English

结果符合我们的需要。因此我们只需要根据字符串的结构特征，将各字段的属性名称编写成正则命名组合，就能对任意形式的结构化字符串方便地进行提取了！