如何用正则表达式提取文本文件中的股票代码？

方案一：基于字段位置精准匹配 #

观察文本结构，股票代码是每行（表头除外）的第二个字段，紧跟公司名称之后、数字持股数之前，可用以下正则：

^.*?\s+([A-Z]{1,5}(?:DF)?)\s+\d+[,]?\d+

• 细节说明：
  • ^.*?\s+：非贪婪匹配行首到股票代码前的所有内容，避免过度占用字符
  • ([A-Z]{1,5}(?:DF)?)：捕获核心股票代码，支持1-5位大写字母，可选DF后缀（适配BYDDF这类特殊代码）
  • \s+\d+[,]?\d+：匹配代码后的空格及带逗号的数字持股数，确保定位的是正确字段

方案二：基于代码特征全局匹配 #

如果文本格式存在变动风险，可直接匹配符合特征的股票代码，同时排除表头的"Symbol"：

\b(?!Symbol\b)[A-Z]{1,5}(?:DF)?\b

• 细节说明：
  • \b：利用单词边界确保匹配独立的代码，避免匹配公司名称中的大写片段
  • (?!Symbol\b)：负向预查过滤表头的"Symbol"字符串
  • [A-Z]{1,5}(?:DF)?：覆盖所有出现的股票代码格式

实际使用示例（Python） #

确保开启多行模式以匹配每行内容：

import re

raw_text = """Symbol  Holdings    Stake   Mkt. price  Value   Pct of portfolio
Ally Financial Inc  ALLY    29,000,000  9.6%    $25.59  $742,110,000    0.2%
Amazon.com, Inc.    AMZN    10,551,000  0.1%    $137.09 $1,446,436,590  0.4%
American Express Company    AXP 151,610,700 20.8%   $149.79 $22,709,766,753 6.7%
Aon PLC AON 4,335,000   2.1%    $315.64 $1,368,299,400  0.4%
Apple Inc   AAPL    915,560,382 5.9%    $176.54 $161,633,029,838    47.4%
Bank of America Corp    BAC 1,032,852,006   13.0%   $27.25  $28,145,217,164 8.3%
BYD Co. Ltd BYDDF   98,603,142  9.0%    $30.11  $2,968,940,606  0.9%
Capital One Financial Corp. COF 12,471,030  3.3%    $103.99 $1,296,862,410  0.4%
Celanese Corporation    CE  5,358,535   4.9%    $115.37 $618,214,183    0.2%
Charter Communications Inc  CHTR    3,828,941   2.6%    $409.20 $1,566,802,657  0.5%
Chevron Corporation CVX 123,120,120 6.5%    $147.07 $18,107,276,048 5.3%
Citigroup Inc   C   55,244,797  2.9%    $40.83  $2,255,645,062  0.7%
Coca-Cola Co    KO  400,000,000 9.3%    $56.98  $22,792,000,000 6.7%"""

# 使用方案一的正则提取
pattern = r'^.*?\s+([A-Z]{1,5}(?:DF)?)\s+\d+[,]?\d+'
stock_codes = re.findall(pattern, raw_text, re.MULTILINE)
print(stock_codes)

执行后会输出完整的股票代码列表：['ALLY', 'AMZN', 'AXP', 'AON', 'AAPL', 'BAC', 'BYDDF', 'COF', 'CE', 'CHTR', 'CVX', 'C', 'KO']

内容的提问来源于stack exchange，提问作者Mahmoud Abdel-Rahman