正则表达式及json格式处理记录

喜欢ヅ旅行 2022-10-05 10:42 81阅读 0赞

工作中很少用正则表达式和json数据，但是偶尔一次用到老是会卡克，半天才能获得自己想要的东西，今天又遇到了一个，记录一下处理过程，加深印象。

# 工作目标 #

想从下面这个文本中取出所有类似于我框出来的数据，并存储为json文本。我第一想法是用bs4，取出option标签，然后处理一下字符串就可以了，这种比较简单，主要是想加深一下自己正则表达式的熟练度，因此这里使用正则表达式来匹配。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70]

# 正则表达式写法 #

## 第一种写法 ##

res = re.findall('000050-.*?<', text, re.DOTALL)

因为每个想要取的数据之前，都有000050-这串字符，因此用它来匹配开始，然后结尾处都有个<，因此用它来匹配末端，中间的.\*?表示匹配任意长度的任意字符，并进行最短匹配。  
看看匹配出来的东西：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70 1]  
基本达到想要的东西了，后面对字符串进行处理一下就可以了。

## 第二种写法 ##

写法很多，我还想到了另外一种写法

res2 = re.findall('[0-9]{6}:.*?<', text)

我想要的东西是6个数字+:+一串汉字，汉字后面是<结尾，因此简化一下就可以写成上面的东西\{6\}表示6次匹配，看看结果  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70 2]  
比第一种要更简约一点。  
我深知这两种匹配方法都不是最简单有效的方法，学习之路还很漫长。

# 存储为json文件 #

对第一种写法进行处理

## 对字符串进行处理 ##

先yao 对字符串进行处理：

for i in range(len(res)):
        res[i] = res[i][14:-1]
        res[i] = res[i].split(':')

先取出每行有用的数据，然后用:进行分割文本。  
这样处理得到了一个下面的列表：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70 3]

## 列表转字典 ##

代码比较简单，就一行代码

xzqh = {
        "%s" % res[j][0]: "%s" % res[j][1] for j in range(len(res))}

这里是写了个循环，并用到了格式输出，写起来简单，但是不熟练的话还是挺费劲的  
比如，我刚开始就写成了下面这样的代码

xzqh1 = {
        "%s: %s" % (res[j][0], res[j][1]) for j in range(len(res))}

看看二者的差异  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70 4]

xzqh的键、值都出来了，而xzqh1还只是个集合，主要还是自己没注意格式。

## 字典存储为json文件 ##

代码如下：

xzqh_json = json.dumps(xzqh, ensure_ascii=False, indent=1)
    with open('xzqh.json', 'w+') as f:
        f.write(xzqh_json)

这里有好几个坑要注意

1.  字典中有中文，ensure\_ascii=False，这个就是避免不显示中文的写法；
2.  json文本很长，最好是一个键值对换一行，indent=1，这保证了换行。

好了，就这样吧，最后上一下完整代码

import re
    import json
    
    text = open('xzqh.txt', encoding='utf-8')
    text = text.read()
    
    res = re.findall('000050-.*?<', text, re.DOTALL)
    for i in range(len(res)):
        res[i] = res[i][14:-1]
        res[i] = res[i].split(':')
        
    # xzqh1 = {"%s: %s" % (res[j][0], res[j][1]) for j in range(len(res))}  
    xzqh = {
        "%s" % res[j][0]: "%s" % res[j][1] for j in range(len(res))}
    xzqh_json = json.dumps(xzqh, ensure_ascii=False, indent=1)
    with open('xzqh.json', 'w+') as f:
        f.write(xzqh_json)  
    
    res2 = re.findall('[0-9]{6}:.*?<', text)

不到20行，，，折腾了半天，费劲了。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70]: /images/20221005/feb9cc0387404cf3b8395cc96535c202.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70 1]: /images/20221005/7d29a487b3f8468f813f70b08d0cbf8f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70 2]: /images/20221005/52880120ec8e40fa99ea6867af60bac6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70 3]: /images/20221005/950045e58c08464eb4f312d37b477e36.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTI4NDgzMDQ_size_16_color_FFFFFF_t_70 4]: /images/20221005/f549f7fa88814c66b681c43c487edf40.png