如何用Python Jupyter拆分SQL Server中含波斯字符的列至多列

嘿，我来帮你搞定这个问题！从你给出的示例字符串 \ارزگان\جلد 10 اصل اساس سال 1353 مرکز(ترینکوت) ولایت ارزگان\138.pdf 来看，它的结构很清晰，我们可以用Python结合正则表达式、pandas和SQL Server驱动来拆分出需要的多列。下面是一步步的实现方法，直接在Jupyter里就能跑：

第一步：把数据从SQL Server读到Jupyter里 #

首先得确保你装了必要的库，在Jupyter的单元格里先运行这个安装命令：

!pip install pyodbc pandas

然后写连接SQL Server的代码，把你要处理的表读成pandas的DataFrame：

import pyodbc
import pandas as pd

# 替换成你自己的SQL Server连接信息
conn_str = (
    r'DRIVER={ODBC Driver 17 for SQL Server};'
    r'SERVER=你的服务器地址;'
    r'DATABASE=目标数据库名;'
    r'UID=你的用户名;'
    r'PWD=你的密码;'
)

# 连接数据库并读取数据，把`你的目标列名`和`你的表名`替换成实际名称
with pyodbc.connect(conn_str) as conn:
    df = pd.read_sql("SELECT 你的目标列名 FROM 你的表名", conn)

第二步：写个拆分函数提取关键信息 #

你的字符串里包含省份、卷数、年份、中心名称和文件名这些信息，我们用正则表达式来精准提取。注意波斯语字符可以用\p{Persian}来匹配，要记得加re.UNICODE标志：

import re

def parse_persian_file_path(s):
    # 先按反斜杠拆分路径，拿到各个段
    path_segments = s.split('\\')
    # 示例里中间的描述段是第3个元素（索引2），文件名是第4个（索引3）
    content_segment = path_segments[2]
    filename = path_segments[3]
    
    # 提取卷数：找"جلد "后面的数字
    vol_match = re.search(r'جلد (\d+)', content_segment)
    volume = vol_match.group(1) if vol_match else None
    
    # 提取年份：找"سال "后面的数字
    year_match = re.search(r'سال (\d+)', content_segment)
    year = year_match.group(1) if year_match else None
    
    # 提取中心名称：匹配括号里的波斯语内容
    center_match = re.search(r'\((\p{Persian}+)\)', content_segment, re.UNICODE)
    center_name = center_match.group(1) if center_match else None
    
    # 省份直接从第一个路径段拿（索引1），或者也可以从描述段里的"ولایت "后面提取
    province = path_segments[1]
    
    # 返回拆分后的各个字段，用Series方便直接合并到DataFrame
    return pd.Series([province, volume, year, center_name, filename], 
                     index=['省份', '卷数', '年份', '中心名称', '文件名'])

第三步：把函数应用到DataFrame上，生成新列 #

假设你的目标列名叫file_path，运行下面的代码就能生成拆分后的列：

# 应用拆分函数，新增列到原DataFrame
df[['省份', '卷数', '年份', '中心名称', '文件名']] = df['file_path'].apply(parse_persian_file_path)

# 看看结果
df.head()

一些小提示 #

• 如果你的字符串有不同的格式变种（比如有些行没有括号里的中心名），可以调整正则表达式的匹配逻辑，比如给部分匹配加非强制的条件。
• 波斯语是从右到左书写，但在Python字符串里是按存储顺序处理的，所以正则匹配不用管书写方向，直接按字符顺序来就行。
• 如果遇到乱码问题，检查下SQL Server连接的编码，试试在连接字符串里加CHARSET=UTF-8，确保字符编码一致。

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