如何在Python中转换含缺失字段的文本为结构化数据？

问题场景 #

给定如下半结构化文本：

Name
Alex

Address
14 high street
London

Color
blue
red

Name

Bob
Color
black

注意：Alex有两种颜色，Bob没有地址字段

需要将其解析为结构化格式（如字典列表），解决字段缺失、多值字段的处理问题。

优化实现方案 #

可以通过正则分割+字段匹配的方式，规范处理缺失字段和多值内容，代码如下：

import re

text = 'Name\nAlex\n\nAddress\n14 high street\nLondon\n\nColor\nblue\nred\n\nName\nBob\nColor\nblack'

# 分割每个用户的信息块，过滤空内容
profiles = [p for p in re.split(r'\n\n*(?=Name\n)', text, flags=re.IGNORECASE) if p.strip()]

result = []
for profile in profiles:
    user = {}
    # 提取姓名：匹配Name后到下一个字段或结束的内容
    name_match = re.search(r'Name\n(.*?)(?=\n\n*(?:Address|Color|$))', profile, flags=re.DOTALL | re.IGNORECASE)
    if name_match:
        user['Name'] = name_match.group(1).strip()
    # 提取地址：匹配Address后到下一个字段或结束的内容，换行替换为空格
    addr_match = re.search(r'Address\n(.*?)(?=\n\n*(?:Name|Color|$))', profile, flags=re.DOTALL | re.IGNORECASE)
    if addr_match:
        user['Address'] = addr_match.group(1).strip().replace('\n', ' ')
    # 提取颜色：处理多值情况，转为列表或单个字符串
    color_match = re.search(r'Color\n(.*?)(?=\n\n*(?:Name|Address|$))', profile, flags=re.DOTALL | re.IGNORECASE)
    if color_match:
        colors = [c.strip() for c in color_match.group(1).split('\n') if c.strip()]
        user['Color'] = colors if len(colors) > 1 else colors[0] if colors else None
    result.append(user)

# 输出结构化结果
for item in result:
    print(item)

代码逻辑说明 #

1. 分割用户块：使用正向预查(?=Name\n)定位每个用户信息的起始点，分割后过滤空内容，避免无效块。
2. 字段提取：对每个用户块，分别匹配Name/Address/Color字段，通过re.DOTALL让正则匹配换行内容，(?=...)作为字段终止边界，处理字段到下一个字段或文本结束的情况。
3. 特殊处理：地址字段将换行替换为空格；颜色字段处理多值情况，多个颜色存为列表，单个存为字符串，无内容则不添加该字段。

运行后输出结果：

{'Name': 'Alex', 'Address': '14 high street London', 'Color': ['blue', 'red']}
{'Name': 'Bob', 'Color': 'black'}

内容的提问来源于stack exchange，提问作者asdf222