如何用正则表达式提取特定格式字符串中的第三部分内容

问题背景 #

原始数据格式如下（每行结构：路径字符串 + 数字ID + 目标字段 + 后续无关内容）：

3/1/1/1 1461 IMIE_NAZWISKO -1 -1 {1 0 #1461*TRANSFORMATION GEOM*#1474 #1461*FUNCTION*DataText
3/1/2/1 1509 FUNKCJA -1 -1 {1 0 #1509*TRANSFORMATION GEOM*#1523 MATERIAL*#1522 #1509*FUNCTION*DataText
3/1/3/1 155045 WWW -1 -1 {1 0 #1550*TRANSFORMATION GEOM*#1563
3/2/1/1 1606 Noggi -1 0 {1 0 #1606*TRANSFORMATION GEOM*#1619 #1606*MASK_SOURCE
3/2/1/2/1 1636 FUNKCJA -1 0 {1 0 #1636*TRANSFORMATION GEOM*#1661 #1636*ANIMATION
3/2/1/2/2 16633 12_232A -1 0 {1 0 #1663*TRANSFORMATION GEOM*#1688 #1663*ANIMATION
3/2/2/1 1704 4040_ -1 0 {1 0 #1704*TRANSFORMATION GEOM*#1717

需求：提取每行的第三部分内容（如IMIE_NAZWISKO、FUNKCJA等），忽略前后无关数据，预期结果：

IMIE_NAZWISKO
FUNKCJA
WWW
Noggi
FUNKCJA
12_232A
4040_

之前的实现方案对前两部分的长度变化敏感，正则尝试未命中所有情况，需要更可靠的正则表达式方案。

解决方案 #

核心思路：匹配每行的前两个字段（路径、数字ID），然后捕获第三个字段（目标内容）。

正则表达式 #

使用以下正则可以精准匹配目标字段：

^\S+\s+\d+\s+(\S+)

• ^：匹配行开头
• \S+：匹配第一个字段（路径，不含空格）
• \s+：匹配字段间的空格
• \d+：匹配第二个字段（纯数字ID）
• \s+：匹配空格
• (\S+)：捕获第三个字段（目标内容，不含空格）

Python代码实现 #

import re

# 原始数据文本
raw_data = """3/1/1/1 1461 IMIE_NAZWISKO -1 -1 {1 0 #1461*TRANSFORMATION GEOM*#1474 #1461*FUNCTION*DataText
3/1/2/1 1509 FUNKCJA -1 -1 {1 0 #1509*TRANSFORMATION GEOM*#1523 MATERIAL*#1522 #1509*FUNCTION*DataText
3/1/3/1 155045 WWW -1 -1 {1 0 #1550*TRANSFORMATION GEOM*#1563
3/2/1/1 1606 Noggi -1 0 {1 0 #1606*TRANSFORMATION GEOM*#1619 #1606*MASK_SOURCE
3/2/1/2/1 1636 FUNKCJA -1 0 {1 0 #1636*TRANSFORMATION GEOM*#1661 #1636*ANIMATION
3/2/1/2/2 16633 12_232A -1 0 {1 0 #1663*TRANSFORMATION GEOM*#1688 #1663*ANIMATION
3/2/2/1 1704 4040_ -1 0 {1 0 #1704*TRANSFORMATION GEOM*#1717"""

# 编译正则
pattern = re.compile(r'^\S+\s+\d+\s+(\S+)', re.MULTILINE)
# 提取所有匹配项
matches = pattern.findall(raw_data)
# 输出结果
for item in matches:
    print(item)

代码说明 #

• re.MULTILINE：让^匹配每行的开头，而非整个文本的开头
• findall：直接返回所有捕获的目标字段列表
• 该方案不依赖前两部分的长度，只要前两个字段分别是“非空格字符串”和“纯数字”，就能精准提取第三个字段

内容的提问来源于stack exchange，提问作者user21149846