关于文件完整路径的正则提取

dongzhi1980 · 发表于 2020-3-16 11:17:05

本帖最后由 dongzhi1980 于 2020-3-16 11:21 编辑

文件内容共4行，存储内容为文件的地址（pdf和.7z格式）和网页链接。
目标是：提取每个PDF文件的全名（形如abc.pdf等)及其前一项的ID（文件名前面一项，形如BUUXZJBF，BZ7QHC8S等8位数的ID标签）。
由于，1.文件名中有特殊符号"\;"， 2.里面混杂了.7z文件。我在python re 下没有成功提取，请大家出手相助。注：只需提供正则表达式即可。谢谢

file = {E\:\\storage\\BUUXZJBF\\Kottwitz - 2011 - Xyz beginner's guide \; one book name .pdf},
file = {E\:\\storage\\BZ7QHC8S\\Xyz programming - an introduction..pdf;E\:\\storage\\I5CN6Q4Y\\ABC Programming Advanced Introduction.7z;E\:\\storage\\LIEKLY4B\\NO programming - an advanced introduction chs..pdf;E\:\\storage\\4UVU3D66\\www.ccc-intro.org.html},
howpublished = {http://www.123.org/}
file = {E\:\\storage\\CUUXZJBG\\Tomz - 2015 - OK beginner's guide another book name.pdf}

Oeasy · 发表于 2020-3-16 11:46:42

import re
string = """file = {E\:\\storage\\BUUXZJBF\\Kottwitz - 2011 - Xyz beginner's guide \; one book name .pdf},
file = {E\:\\storage\\BZ7QHC8S\\Xyz programming - an introduction..pdf;E\:\\storage\\I5CN6Q4Y\\ABC Programming Advanced Introduction.7z;E\:\\storage\\LIEKLY4B\\NO programming - an advanced introduction chs..pdf;E\:\\storage\\4UVU3D66\\www.ccc-intro.org.html},
howpublished = {http://www.123.org/}
file = {E\:\\storage\\CUUXZJBG\\Tomz - 2015 - OK beginner's guide another book name.pdf}"""
pattern = re.compile(r"\\([0-8A-Z]{8})\\([^:}]+?\.pdf)")
m = pattern.findall(string)
for item in m:
print(item)

复制代码

输出

('BUUXZJBF', "Kottwitz - 2011 - Xyz beginner's guide \\; one book name .pdf")
('BZ7QHC8S', 'Xyz programming - an introduction..pdf')
('LIEKLY4B', 'NO programming - an advanced introduction chs..pdf')
('CUUXZJBG', "Tomz - 2015 - OK beginner's guide another book name.pdf")

复制代码

dongzhi1980 · 发表于 2020-3-16 17:51:07

本帖最后由 dongzhi1980 于 2020-3-16 18:17 编辑

Oeasy 发表于 2020-3-16 11:46
输出

谢谢O大的详细解答，请问，
文件名中多余的“\”怎么去除，真实文件名是"Kottwitz - 2011 - Xyz beginner's guide ; one book name .pdf"。
生成的字符串 '\\Kottwitz - 2011 - LaTeX beginner\'s guide \\; create high-quality and .pdf' 中

多余的"\"导致程序后续操作产生问题。

Oeasy · 发表于 2020-3-16 18:36:51

dongzhi1980 发表于 2020-3-16 17:51
谢谢O大的详细解答，请问，
文件名中多余的“\”怎么去除，真实文件名是"Kottwitz - 2011 - Xyz beginner' ...

抱歉手抖吧 0-9 敲成 0-8 了。

import re
string = """file = {E\:\\storage\\BUUXZJBF\\Kottwitz - 2011 - Xyz beginner's guide \; one book name .pdf},
file = {E\:\\storage\\BZ7QHC8S\\Xyz programming - an introduction..pdf;E\:\\storage\\I5CN6Q4Y\\ABC Programming Advanced Introduction.7z;E\:\\storage\\LIEKLY4B\\NO programming - an advanced introduction chs..pdf;E\:\\storage\\4UVU3D66\\www.ccc-intro.org.html},
howpublished = {http://www.123.org/}
file = {E\:\\storage\\CUUXZJBG\\Tomz - 2015 - OK beginner's guide another book name.pdf}
file = {E\:\\Data\\storage\\2MTGE89K\\Matlab users guide_Symbolic Math Toolbox.pdf;E\:\\Data\\storage\\CS58DYJW\\Matlab users guide_Parallel Computing Toolbox.pdf;E\:\\Data\\storage\\IAR9VKWB\\Matlab Programming Fundamentals.pdf;E\:\\Data\\storage\\RV3RTI3V\\Matlab Mathematics.pdf}"""
pattern = re.compile(r"\\([0-9A-Z]{8})\\([^:}]+?\.pdf)")
m = pattern.findall(string)
for item in m:
print(item[0], item[1].replace("\",""))

复制代码

输出

BUUXZJBF Kottwitz - 2011 - Xyz beginner's guide ; one book name .pdf
BZ7QHC8S Xyz programming - an introduction..pdf
LIEKLY4B NO programming - an advanced introduction chs..pdf
CUUXZJBG Tomz - 2015 - OK beginner's guide another book name.pdf
2MTGE89K Matlab users guide_Symbolic Math Toolbox.pdf
CS58DYJW Matlab users guide_Parallel Computing Toolbox.pdf
IAR9VKWB Matlab Programming Fundamentals.pdf
RV3RTI3V Matlab Mathematics.pdf

复制代码

dongzhi1980 · 发表于 2020-3-16 19:36:27

本帖最后由 dongzhi1980 于 2020-3-16 20:21 编辑

Oeasy 发表于 2020-3-16 18:36
抱歉手抖吧 0-9 敲成 0-8 了。

再次感谢，0-8 的问题我自己仔细查看后给解决了，正想着“挖坑不填”的含意呢，正好收到回复了。意外的惊喜。
最后再麻烦你一次，如果不用 “：｝” 排除，改为用 “E\:” 和 “｝” 排除，用什么方法呢，在网上查了很多关于断言的操作，但还是不会用。
谢谢！

[求助] 关于文件完整路径的正则提取

评分