python - 从原始文本中提取信息

问题描述

这是我的文字模式：

05.04.0090
1


erhältlichen Tableau Interfaces
lassen sich zusätzliche GLT-Kontakte
aufschalten. Das System kann

die zwei Szenarien-Modi "Urlaub" und
Abwesenheit" verwalten. Für beide
Modi können bestimmte Parameter
programmiert werden.

Das WAREMA climatronic Bediengerät
kann preisgleich auch

in den Farben "schwarz" oder
"schwarz/silber" geliefert werden.
Liefern und montieren. 882,75 882,75

上面的文本块中的item_code具有编写05.04.0090的规范
然后在下面是项目1的计数，然后是description of product然后是unit price，在这种情况下是EU 882,75
最后的总计sum为882,74

我想要的是
我想像dict[{'item_code':'5.04.009','quant':'1','description':'TEXT','unit_price':'882,74','Total_sum':'88,75'}]那样制作键值对

我将在最后使用这种模式来识别实体。关于spacy的任何建议也很好

我尝试了什么？

pat= re.search(r'\d(.*?)\d',text,re.M)
print(pat.group())

帮助或建议，将不胜感激。

最佳答案

pprint.pprint函数用于输出。有关使用的正则表达式的说明，请转到RegEx101。

import re
import pprint

data = '''
05.04.0090
1


erhältlichen Tableau Interfaces
lassen sich zusätzliche GLT-Kontakte
aufschalten. Das System kann

die zwei Szenarien-Modi "Urlaub" und
Abwesenheit" verwalten. Für beide
Modi können bestimmte Parameter
programmiert werden.

Das WAREMA climatronic Bediengerät
kann preisgleich auch

in den Farben "schwarz" oder
"schwarz/silber" geliefert werden.
Liefern und montieren. 882,75 882,75


05.04.0091
100
foo bar. 170,42 17042
'''

rx = r'''(?mx)
^
(?P<item_code>\d\d\.\d\d\.\d{4})
\s+
(?P<quantity>\d+)
\s+
(?P<description>\S[\s\S]*?)
[ ]+
(?P<unit_price>\d+(?:,\d\d)?)
[ ]+
(?P<total_sum>\d+(?:,\d\d)?)
$
'''
result = [m.groupdict() for m in re.finditer(rx, data)]
pprint.pprint(result)

输出：

[{'description': 'erhältlichen Tableau Interfaces\n'
                 'lassen sich zusätzliche GLT-Kontakte\n'
                 'aufschalten. Das System kann\n'
                 '\n'
                 'die zwei Szenarien-Modi "Urlaub" und\n'
                 'Abwesenheit" verwalten. Für beide\n'
                 'Modi können bestimmte Parameter\n'
                 'programmiert werden.\n'
                 '\n'
                 'Das WAREMA climatronic Bediengerät\n'
                 'kann preisgleich auch\n'
                 '\n'
                 'in den Farben "schwarz" oder\n'
                 '"schwarz/silber" geliefert werden.\n'
                 'Liefern und montieren.',
  'item_code': '05.04.0090',
  'quantity': '1',
  'total_sum': '882,75',
  'unit_price': '882,75'},
 {'description': 'foo bar.',
  'item_code': '05.04.0091',
  'quantity': '100',
  'total_sum': '17042',
  'unit_price': '170,42'}]

关于python - 从原始文本中提取信息，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/60148298/