Python正则提取文本中多格式带可选单位的2/3维尺寸值方案

支持匹配的尺寸格式 #

• 三维分标单位格式：每个维度单独标注单位，例如10.5 inches x 5 feet x 2 inches
• 二维分标单位格式：每个维度单独标注单位，例如10 inches x 5 inches
• 二维统一单位格式：单位统一标注在尺寸末尾，例如10 x 5 inches
  规则说明：尺寸维度固定为2或3个，每个维度数值可单独标注英寸、英尺类计量单位，也可省略单位。

原有正则的核心问题 #

• 单位匹配逻辑错误：inches?feet?的写法要求字符串连续匹配英寸、英尺的字符序列，没有做二选一分支匹配，也未设置单位可选
• 第三维度匹配未做整体可选封装，仅给数值加了可选标记，分隔符x和单位的匹配逻辑独立，容易出现匹配错位
• 未覆盖末尾统一标注单位的场景，无法识别10 x 5 inches这类格式

可直接运行的实现代码 #

import re

# 预编译尺寸匹配正则
dim_pattern = re.compile(
    r"""
    # 匹配第一个维度数值
    (\d+\.?\d*)
    # 第一个维度可选单位（可自行扩展新单位）
    \s*(inches?|feet|ft|in)?\s*
    # 匹配维度分隔符x
    x\s*
    # 匹配第二个维度数值
    (\d+\.?\d*)
    # 第二个维度可选单位
    \s*(inches?|feet|ft|in)?\s*
    # 第三维度整体可选匹配块
    (?:
        x\s*
        (\d+\.?\d*)
        \s*(inches?|feet|ft|in)?\s*
    )?
    # 匹配末尾统一标注的全局单位
    (inches?|feet|ft|in)?
    """,
    re.IGNORECASE | re.VERBOSE
)

def extract_dimensions(text: str):
    match_results = []
    for match_item in dim_pattern.finditer(text):
        dim_list = []
        groups = match_item.groups()
        # 解析第一维度
        val1 = float(groups[0])
        unit1 = groups[1]
        dim_list.append((val1, unit1))
        # 解析第二维度
        val2 = float(groups[2])
        unit2 = groups[3]
        dim_list.append((val2, unit2))
        # 解析第三维度（存在才加入结果）
        if groups[4]:
            val3 = float(groups[4])
            unit3 = groups[5]
            dim_list.append((val3, unit3))
        # 用末尾全局单位补全所有未标注单位的维度
        global_unit = groups[6]
        if global_unit:
            for idx in range(len(dim_list)):
                if not dim_list[idx][1]:
                    dim_list[idx] = (dim_list[idx][0], global_unit)
        match_results.append(dim_list)
    return match_results

测试示例 #

# 测试文本
test_content = """
10.5 inches x 5 feet x 2 inches
10 inches x 5 inches
10 x 5 inches
3.2 ft x 4in x 6 feet
"""
print(extract_dimensions(test_content))

返回结果为嵌套列表：每个外层元素对应一处匹配到的尺寸，内层每个元组对应一个维度，格式为(维度数值, 对应单位)，自动补全缺省的单位信息。

自定义调整方法 #

• 新增支持的计量单位：直接修改正则中所有单位可选分组的分支内容，例如要支持厘米、米，把(inches?|feet|ft|in)替换为(inches?|feet|ft|in|cm|m)即可
• 正则默认开启大小写忽略，可适配Inch、FEET这类大小写不规范的书写
• 第三维度采用非捕获分组包裹后设置整体可选，不会出现二维尺寸匹配时的错位、吞字符问题

内容的提问来源于stack exchange，提问作者Vladimir Zaretskiy