如何用正则表达式解码加密字符串并生成DataFrame？

思路 #

先过滤出以AN04N01开头的有效行，剔除开头7位标识后，按照字段规则提取name、surname、DOB，最后组装成DataFrame。

方法一：正则表达式提取 #

利用正则捕获组直接匹配目标字段内容，代码简洁高效：

import pandas as pd
import re

# 匹配有效行的正则模式，直接捕获三个字段的内容
pattern = re.compile(r'AN04N0101\d{2}(.{5})02\d{2}(.{5})03\d{2}(.{8})')

data = []
# 替换为你的实际数据文件路径
with open('user_data.txt', 'r') as f:
    for line in f:
        line = line.strip()
        match_result = pattern.match(line)
        if match_result:
            data.append({
                'name': match_result.group(1),
                'surname': match_result.group(2),
                'DOB': match_result.group(3)
            })

# 生成DataFrame
df = pd.DataFrame(data)
print(df)

方法二：按规则逐段解析（适配字段变化） #

如果后续字段长度、顺序可能调整，这种方法扩展性更强：

import pandas as pd

data = []
with open('user_data.txt', 'r') as f:
    for line in f:
        line = line.strip()
        if not line.startswith('AN04N01'):
            continue
        # 去掉开头的7位标识
        content = line[7:]
        user_info = {}
        current_idx = 0
        while current_idx < len(content):
            # 提取列标识（前2位）
            col_id = content[current_idx:current_idx+2]
            # 提取内容长度（接下来2位）
            content_len = int(content[current_idx+2:current_idx+4])
            # 提取对应长度的内容
            value = content[current_idx+4:current_idx+4+content_len]
            # 映射到列名
            if col_id == '01':
                user_info['name'] = value
            elif col_id == '02':
                user_info['surname'] = value
            elif col_id == '03':
                user_info['DOB'] = value
            # 移动索引到下一个字段起始位置
            current_idx += 4 + content_len
        data.append(user_info)

df = pd.DataFrame(data)
print(df)

说明 #

• 方法一适合字段规则固定的场景，代码更简洁；方法二能应对字段顺序、长度变更的情况，灵活性更高。
• 记得把代码中的user_data.txt替换为你的实际数据文件路径。

内容的提问来源于stack exchange，提问作者cRIsP