在Python中搜索文档并分离正则表达式

Question

我有这个旧文档，我正在帮助清理并转换成数据集。这是一项以访谈的形式进行的研究，但不幸的是，实施这项研究的人员包括速写笔记，这些笔记与受访者的回答混合在一起。这个过程的第一步是我将这些笔记与回复分开。然后，我想创建一个.csv，其中包含一个包含响应的列和另一个包含备注的列。

这里是什么在研究的数据目前看起来像（从我犯了一个小test.txt文件）的例子：

$ AKAR3NDA.S+ QRUSS/)+ A BLAJ3R 
0 
FIN ABIXU/BRIVNS+TELE 
IB3G81S+R1.B+ QI KOPIRN /AKCENT CLN VERBS+TAM XX(010 

什么我在与使用Python的re模块真正的麻烦挑出我正在搜索的任何正则表达式。现在我只通过查看是否可以打印单独的注释和响应来测试它，所以我会将.csv部分从我的代码中移出。这里是我的代码，我有：

1 import re 
2 
3 notation = r"(^\+ | \+$ | ^- | -$ | \+ BUT\b | - BUT\b | ^\$ | \$$ | ^\+\$ | \+\$$ | ^-\$ | -\$ | DRWG | QB\b | QT\b | QBF | QTF | QFR | ^= | =$ | Q a Q | QP\b | QM/Y | QF/Y | ^\* | \*$ | QU\b | Q-U | QUU | QR\b | QRR | QH\b | QS\b | QW\b | Q-W | QAP | Q-AP | QN\b | QNN | QOF | QOOF | QK\b | Q-K | QLIT | QV\b | QEM | QVL | QDG | QAMER | QHUM | QELSW | QRTR | QSMT | QOTW | QNEX | QET\b | QPOL | QRUSS | QRUM | QHUNG | QGERM | QSYN | QGL\b | QGLY | QYID | QGLE | QENG | QI GL | QANG | QI\b | ^\) | \)$ | ^\)\+ | \)\+$ | ^\)- | \)-$ | ^\)= | \)=$ | EQ | \|\| | QCF | QZZ | QZT | \.\.\.{1} | QETC | QVB | QADJ | QINF | QNOUN | /[^/]+/ | \b/ | \bCM\b | \bCLN\b | \bSC\b | \bXX\b | QQ\b | ^0\b | ^O\b | QNT | Q-T | QLAT | QTA | QNP | QMEMX | \u2721 | QED\b | QEDS | \(/[0-9]* | \([0-9]* | \(\$[0-9]* | \(\(| QEDN | OVRPMP | MISPMP | MISTD)" 
4 
5 notesSeparate = [] 
6 
7 with open("test.txt") as f: 
8 data = f.readlines() 
9 
10 for line in data: 
11 newRow = [] 
12 notes = str(re.findall(notation, line)) 
13 response = str(re.sub(notation, "", line)) 
14 newRow.append(response) 
15 newRow.append(notes) 
16 notesSeparate.append(newRow) 
17 
18 print notesSeparate 

我也意识到，正则表达式是丑陋又长，但我不知道如何将其格式化，所以请任何指针上也欢迎。无论如何，当我运行该文件时得到的是以下输出。

[['$ AKAR3NDA.S+ QRUSS/)+ A BLAJ3R\n', '[]'], ['0\n', '[]'], ['FIN 
ABIXU/BRIVNS+TELE\n', '[]'], ['IB3G81S+R1.B+KOPIRN /AKCENTVERBS+TAM 
XX(010', "[' QI ', ' CLN ']"]] 

我想越来越是：

[['AKAR3NDA.S+ A BLAJ3R\n', ('$', 'QRUSS/)+')], ['0\n', ('')], ['FIN 
ABIXU/BRIVNS+TELE\n', ('')], ['IB3G81S+R1.B+KOPIRN /AKCENTVERBS+TAM', 
(' QI ', ' CLN ', 'XX(010')]] 

我知道这一切都是那么凌乱，但是这是一种点的 - 我试图把东西是超级凌乱，使它不那么如此。我无法告诉你我会多么感激某个方向。

Answer 1

我不知道这是不是你正在寻找的东西，但是这应该让至少
运行更快 - 如果你关心这个。
它可能不会让它更容易管理。

顺便说一句，我假设你的正则表达式是扩展（即忽略空白）。
此外，为什么这个特定的代码点\u2721 ✡ STAR OF DAVID？

(?:(?:^(?:\$|\)[+=-]?|\*|\+\$?|-\$?|[O0]\b|=))|(?:(?:\$|\)[+=-]?|\*|\+\$?|-|=)$)|Q[BHKNPRSTUVW]\b|(?:(?:[+-]BUT|Q(?:E[DT]|GL|[IQ]))\b)|(?:\b(?:/|(?:C(?:LN|M)|SC|XX)\b))|\|{2}|\.{3}|/[^/]+/|\(/\d*|\(\d*|\(\$\d*|\(\(|-\$|\u2721|(?:DRWG|EQ|MIS(?:PMP|TD)|OVRPMP|Q(?:-(?:AP|[KTUW])|A(?:DJ|MER|NG|P)|BF|CF|DG|E(?:D[NS]|LSW|M|NG|TC)|F(?:/Y|R)|G(?:ERM|L[EY])|HU(?:M|NG)|I(?:GL|NF)|L(?:AT|IT)|M(?:/Y|EMX)|N(?:EX|OUN|[NPT])|O(?:F|OF|TW)|POL|R(?:R|TR|U(?:M|SS))|S(?:MT|YN)|T[AF]|UU|V[BL]|YID|Z[TZ]|aQ)))

格式化

(?: 
     (?: 
     ^
      (?: 
       \$ 
      | \) [+=-]? 
      | \* 
      | \+\$? 
      | -\$? 
      | [O0] \b 
      | = 
      ) 
    ) 
    | (?: 
      (?: \$ | \) [+=-]? | \* | \+\$? | - | =) 
      $ 
    ) 
    | Q [BHKNPRSTUVW] \b 
    | (?: 
      (?: 
       [+-] BUT 
      | Q 
       (?: E [DT] | GL | [IQ]) 
      ) 
      \b 
    ) 
    | (?: 
      \b 
      (?: 
       /
      | (?: 
        C 
        (?: LN | M) 
        | SC 
        | XX 
       ) 
       \b 
      ) 
    ) 
    | \|{2} 
    | \.{3} 
    |/[^/]+/
    | \(/ \d* 
    | \(\d* 
    | \(\$ \d* 
    | \(\(
    | -\$ 
    | \u2721 
    | (?: 
      DRWG 
     | EQ 
     | MIS 
      (?: PMP | TD) 
     | OVRPMP 
     | Q 
      (?: 
       - 
       (?: AP | [KTUW]) 
      | A 
       (?: DJ | MER | NG | P) 
      | BF 
      | CF 
      | DG 
      | E 
       (?: D [NS] | LSW | M | NG | TC) 
      | F 
       (?: /Y | R) 
      | G 
       (?: ERM | L [EY]) 
      | HU 
       (?: M | NG) 
      | I 
       (?: GL | NF) 
      | L 
       (?: AT | IT) 
      | M 
       (?: /Y | EMX) 
      | N 
       (?: EX | OUN | [NPT]) 
      | O 
       (?: F | OF | TW) 
      | POL 
      | R 
       (?: 
        R 
        | TR 
        | U 
        (?: M | SS) 
       ) 
      | S 
       (?: MT | YN) 
      | T [AF] 
      | UU 
      | V [BL] 
      | YID 
      | Z [TZ] 
      | aQ 
      ) 
    ) 
)