Python正则表达式处理CSV：正确提取含逗号的化合物名称

问题核心 #

你的CSV数据里，化合物名没有用引号包裹，但本身包含逗号（比如苯, 甲苯混合物），普通逗号拆分或原有的引号匹配正则会把化合物名拆成多个字段。好在每行末尾是固定的Area和tR (min)数值字段，我们可以利用这个固定结构反向提取完整的化合物名。

实现思路 #

核心逻辑是从行尾的固定字段反向匹配：

• 每行最后两个字段都是数值类型（Area和tR值），格式是, 数值, 数值（逗号前后可能带空格）
• 用正则先匹配出行尾的这两个数值字段，剩下的前面部分就是完整的化合物名（不管里面有多少逗号）
• 拆分后将化合物名与后面两个数值字段组合成正确的字段列表

正则表达式方案 #

用这个正则就能精准匹配：

^(.*?)\s*,\s*(\d+\.?\d*)\s*,\s*(\d+\.?\d*)$

正则解释 #

• ^(.*?)：非贪婪匹配从行首到最后两个逗号前的所有内容，直接拿到完整的化合物名（包含内部的逗号）
• \s*,\s*：匹配分隔逗号，兼容逗号前后的任意空格（包括无空格、多个空格）
• (\d+\.?\d*)：匹配整数或小数格式的数值，对应Area字段
• (\d+\.?\d*)：匹配第二个数值，对应tR (min)字段
• $：锚定行尾，确保匹配的是整行内容

Python代码实现 #

假设你的CSV示例数据如下：

苯, 甲苯混合物, 1234.56, 2.34
乙醇, 乙酸乙酯混合液, 789.01, 1.56
纯丙酮, 456.78, 0.98

对应的Python处理代码：

import re

# 预编译正则，提升匹配效率
csv_pattern = re.compile(r'^(.*?)\s*,\s*(\d+\.?\d*)\s*,\s*(\d+\.?\d*)$')

# 读取CSV行（实际场景可以用open读取文件逐行处理）
sample_lines = [
    "苯, 甲苯混合物, 1234.56, 2.34",
    "乙醇, 乙酸乙酯混合液, 789.01, 1.56",
    "纯丙酮, 456.78, 0.98"
]

for line in sample_lines:
    match_result = csv_pattern.match(line)
    if match_result:
        # 提取并清理字段
        compound = match_result.group(1).strip()
        area = match_result.group(2)
        tr_value = match_result.group(3)
        print(f"化合物: {compound} | Area: {area} | tR(min): {tr_value}")
    else:
        print(f"格式异常行: {line}")

运行结果 #

化合物: 苯, 甲苯混合物 | Area: 1234.56 | tR(min): 2.34
化合物: 乙醇, 乙酸乙酯混合液 | Area: 789.01 | tR(min): 1.56
化合物: 纯丙酮 | Area: 456.78 | tR(min): 0.98

边界情况适配 #

• 如果数值是科学计数法（比如1.23e4）：把正则里的(\d+\.?\d*)替换成(\d+\.?\d*|\d*\.?\d+[eE][+-]?\d+)即可支持
• 如果化合物名前后有多余空格：用.strip()清理即可
• 如果行格式不规范：代码里的if match_result会跳过异常行，避免程序崩溃

内容的提问来源于stack exchange，提问作者PARCB