如何用Python的re.findall提取引号内字符串并排除数字后的引号？

问题分析 #

原正则表达式 "([^"]*)" 会把数字后跟的引号（比如表示英寸的 7"）误判为引号对的结束符，导致后续内容提取出错。需要调整正则规则，让数字后的引号被当作内容的一部分，而非引号对的结束标记。

解决方案 #

使用包含「数字+引号」可选匹配模式的正则表达式，精准提取引号内的内容：

import re

string = 'Res: Ext="" Tl=" PLIERS, 7"" Ma="337" Ml="4" Ms="A" N="" Mfpn="" M="PRCH" loc=""'

# 修改后的正则
result = re.findall(r'"((?:[^"]|\d")*)"', string)
print(result)
# 输出: ['', ' PLIERS, 7"', '337', '4', 'A', '', '', 'PRCH', '']

正则规则说明 #

• ": 匹配引号对的起始双引号
• (?:[^"]|\d")*: 非捕获组，支持两种匹配场景的任意重复：
  • [^"]: 匹配任意非引号的普通字符
  • d": 匹配「数字紧跟双引号」的组合（对应英寸标识场景）
• ": 匹配引号对的结束双引号（此引号前不会是数字，因为数字+引号的情况已被前面的组匹配）

DataFrame批量处理示例 #

如果要在DataFrame的列中批量执行提取操作，可以用str.findall方法：

import pandas as pd

df = pd.DataFrame({'text': [string]})
df['extracted_content'] = df['text'].str.findall(r'"((?:[^"]|\d")*)"')
print(df['extracted_content'].tolist())

内容的提问来源于stack exchange，提问作者vudu