python 正则表达式提取中文字符的问题

我有一个文件里面包含了中英文以及中文标点，如下:(注意里面的冒号和括号是中文全角的)

vagrant@vagrant-ubuntu-trusty-64:~/email_bot$ cat msg.txt
开通数据库

用户：xx盛源地产（1店）
数据库文件：AgencyDByjsydc.rar
vagrant@vagrant-ubuntu-trusty-64:~/email_bot$

----------------------------------------
我希望输出
{'title' : '开通数据库','client':'xx 盛源地产（ 1 店）','db_data_file':'AgencyDByjsydc.rar'}

我用正则折腾了好久，得不出想要的结果，请教大家

盛源

rar

数据库

中文

4 replies • 2015-09-10 11:04:56 +08:00

leavic

Sep 10, 2015

为啥要正则，每行作为一个序列，第一行直接全部做 title ，后面的直接以“：” split 去[-1]项就行了啊

ri0day

Sep 10, 2015

@leavic 忘记说明了。这个文本其实是一个邮件的 body,邮件有可能不按上面的文字顺序.也有可能会多一些文字.
不过你的方法对上面那个格式确实可以得到我要的效果.谢谢思路

我最理想的方式是类似 re.match ('用户：+(.*)',msg ).group ()这样

ljdawn

Sep 10, 2015

需要一个简单的文本状态机。没匹配到另一个状态就继续。

ri0day

Sep 10, 2015

借用楼上 2 个的思路,基本弄出来了
#-coding:utf-8
d={}
with open ('msg2.txt','r') as f:
for i in f.readlines ():
if '：' not in i and not i.startswith ('\n'):
title = i
d['title'] = i
elif i.isspace ():
pass
else:
#print i.strip ()
key , value = i.split ('：')
d[key] = value.strip ()

for k, v in d.items ():
print k.decode ('utf-8')+':'+v.decode ('utf-8')