Блог

Мой друг сказал, что если используемое мной регулярное выражение слишком длинное, то, вероятно, это неподходящий инструмент для работы. Есть какие-нибудь мысли о лучшем способе разбора этого текста? У меня есть регулярное выражение, которое возвращает все в массив, который я могу легко просто вырезать, но если есть другой более простой способ, я бы действительно хотел его увидеть.

Вот как это выглядит:

  2 AB 123A 01JAN M ABCDEF AA1   100A  200A  02JAN T /ABCD /E    
  

Вот разбивка этого:

• 2 это номер строки, они варьируются от 1 вплоть до 99 . Если вы не видите из-за форматирования, перед числами, меньшими 10, есть символ пробела.

  Пробел может быть заменен, а может и не быть, символом *

• AB является важной единицей данных (UOD).

  AB может добавляться /CD , что является еще одним важным UOD.

• 123 это важный UOD. Оно может варьироваться от 1 (с добавлением 4 пробелов) до 99999 .

• A это важный UOD.

• 01JAN это комбинация день / месяц, мне нужно извлечь оба UOD.

• M это сокращенная форма названия дня. Это может быть число между 1 и 7 .

• ABC это важный UOD.

• DEF это важный UOD.

  Пробел после DEF может быть *

• AA1 может содержать ноль символов, или это может быть 5. Это неважно.

• 100A это временная метка, но может быть в формате 1300 . A Может быть N , когда время 1200 или P для раз в PM.

• Затем мы видим другую временную метку.

• Следующей части даты может не быть, например, это допустимо:

   93*DE/QQ51234 30APR J QWERTY*QQ0   1250   0520 /ABCD*ASDFAS /E             
    

• Данные, в которых /ABCD*ASDFAS /E отображаются, не имеют отношения к приложению, но именно здесь может появиться вторая отметка даты. Косая черта спереди может быть чем-то другим (например, буквой).

Примечание:
Это не разделено пробелом, некоторые части тела переходят в другие. Позиция символа является точной только для первых двух или трех элементов в списке

Я не думаю, что я что-то упустил, но, если есть более простой способ разобрать подобную строку, чем писать регулярное выражение, пожалуйста, дайте мне знать.

Это идеальная задача для регулярных выражений. Текст не содержит вложенности, и элементы, которые вы сопоставляете, довольно просты по отдельности.

Большинство синтаксисов регулярных выражений имеют x флаг или режим, который позволяет использовать пробелы и комментарии для улучшения читаемости. Например:

 $regex = '@
    # 2 is the line number, these range from 1 all the way to 99.
    # There is a space character prepending numbers less than 10.
    # The space may or may not be replaced by an *.
    [ *]d|dd
    s

    # AB is an important unit of data (UOD).
    # AB may be prepended by /CD which is another important UOD.
    (/CD)?AB
    s

    # 123 is an important UOD. It can range from 1 (prepended by 4 spaces)
    # to 99999.
    s{4}d{1}|s{3}d{2}|s{2}d{3}|s{1}d{4}|d{5}
@x';
  

И так далее.

Регулярное выражение кажется подходящим для этого приложения, но для простоты и удобочитаемости вы можете разбить его на несколько регулярных выражений (по одному для каждого поля), чтобы людям было легче отслеживать, какая часть регулярного выражения соответствует какой переменной.

Вы всегда можете закодировать свой собственный анализатор вручную, но это будет больше строк кода, чем регулярное выражение. Однако читателю, вероятно, будет проще следовать строкам кода.

Просто напишите пользовательский анализатор, который обрабатывает это построчно. Кажется, что все находится в фиксированной позиции, а не через пробел / запятую, поэтому просто используйте их в качестве индексов в том, что вам нужно:

 line_number = int(line_text[0:1])
ab_unit = line_text[3:4]
...
  

Если это действительно разделено пробелом, просто split() выполните синтаксический анализ каждой строки, разбивая каждый фрагмент на составные части, где это уместно.