Python - REGEX único vs multilínea

Teniendo en cuenta el siguiente patrón de texto,Python - REGEX único vs multilínea

#objetivos: la marca de tiempo del informe de proceso, p. Ej. 2011-09-21 15:45:00 y las dos primeras estadísticas en succ. estadísticas de línea, por ejemplo:

input_text = ''' 
# Process_Name  (23387) Report at 2011-09-21 15:45:00.001 Type: Periodic #\n 
some line 1\n 
some line 2\n 
some other lines\n 
succ. statistics |  1438  1439 99 | 3782245 3797376 99 |\n 
some lines\n 
Process_Name  (23387) Report at 2011-09-21 15:50:00.001 Type: Periodic #\n 
some line 1\n 
some line 2\n 
some other lines\n 
succ. statistics |  1436  1440 99 | 3782459 3797523 99 |\n 
repeat the pattern several hundred times... 
'''

Lo tengo trabajo cuando se repite una línea a otra,

def parse_file(file_handler, patterns): 

    results = [] 
    for line in file_handler: 
     for key in patterns.iterkeys(): 
      result = re.match(patterns[key], line) 
      if result: 
       results.append(result) 

return results 

patterns = { 
    'report_date_time': re.compile('^# Process_Name\s*\(\s*\d+\) Report at (.*)\.[0-9] {3}\s+Type:\s*Periodic\s*#\s*.*$'), 
    'serv_term_stats': re.compile('^succ. statistics \|\s+(\d+)\s+ (\d+)+\s+\d+\s+\|\s+\d+\s+\d+\s+\d+\s+\|\s*$'), 
    } 
results = parse_file(fh, patterns)

regresar

[('2011-09-21 15:40:00',), 
('1425', '1428'), 
('2011-09-21 15:45:00',), 
('1438', '1439')]

pero tener una lista de salida de tuplas como mi objetivo,

[('2011-09-21 15:40:00','1425', '1428'), 
('2011-09-21 15:45:00', '1438', '1439')]

He intentado varias combinaciones con los patrones iniciales y un cuantificador perezoso entre ellos, pero no puede encontrar la manera de capturar los patrones de uso de una expresión regular de varias líneas

# .+? Lazy quantifier "match as few characters as possible (all characters allowed) until reaching the next expression" 
pattern = '# Process_Name\s*\(\s*\d+\) Report at (.*)\.[0-9]{3}\s+Type:\s*Periodic.*?succ. statistics) \|\s+(\d+)\s+(\d+)+\s+\d+\s+\|\s+\d+\s+\d+\s+\d+\s+\|\s' 
regex = re.compile(pattern, flags=re.MULTILINE) 

data = file_handler.read()  
for match in regex.finditer(data): 
    results = match.groups()

¿Cómo puedo lograr esto?

Fuente

2011-09-22 Joao Figueiredo

no tengo una respuesta para usted, pero por qué te la incorporación de \ n en una cadena de múltiples líneas de esa manera? Las nuevas líneas reales en la cadena son nuevas líneas. – geoffspear

Right Wooble, esto está en Linux, así que simplemente los agregué para expresar el carácter de nueva línea (tratando de evitar lo habitual es \ n o \ r \ n \ r \ n?) –

Uso re.DOTALL por lo . coincidirá con cualquier carácter, incluyendo saltos de línea:

import re 

data = ''' 
# Process_Name  (23387) Report at 2011-09-21 15:45:00.001 Type: Periodic #\n 
some line 1\n 
some line 2\n 
some other lines\n 
succ. statistics |  1438  1439 99 | 3782245 3797376 99 |\n 
some lines\n 
repeat the pattern several hundred times... 
''' 

pattern = r'(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}).*?succ. statistics\s+\|\s+(\d+)\s+(\d+)' 
regex = re.compile(pattern, flags=re.MULTILINE|re.DOTALL) 

for match in regex.finditer(data): 
    results = match.groups() 
    print(results) 

    # ('2011-09-21', '1438', '1439')

Fuente

2011-09-22 15:31:24 unutbu

Wow. Tu eres rápido. ¡Gracias por la respuesta y las mejoras de unutbu, y gracias a stackoverflow por gurús como tú! –

Editar: Un bache menor, sí tengo que garantizar un cuantificador no codicioso, de lo contrario, la expresión regular solo capturaría la primera marca de tiempo, las últimas estadísticas, ignorando las mil líneas + en el medio. Por lo tanto, pattern = r '(\ d {4} - \ d {2} - \ d {2} \ d {2}: \ d {2}: \ d {2}). *? Succ. estadísticas \ s + \ | \ s + (\ d +) \ s + (\ d +) ' –

@JoaoFigueiredo: Ah, buen punto. Gracias por la corrección. – unutbu

Python - REGEX único vs multilínea

Respuesta

Cuestiones relacionadas