如何使用正则按用户维度提取data dump中IFSC等字段生成结构化数据

你可以通过单用户块匹配的方式避免列表错位问题，有两种常用实现方式： #

方案1：正则一次性捕获（效率更高，适合字段完整度高的场景） #

直接通过带捕获组的正则匹配单个用户的所有关联字段，代码如下：

import re

# 你的原始数据
raw_content = """
00~XXXXXXXXXXXXXX24~
01~John~Doe~Bank~Name~XXXXXXX00~ABCD0123456~
其他非必要数据
00~XXXXXXXXXXXXXX23~
01~Jane~Doe~Bank~Name~XXXXXXX00~ABCD0123456~
其他非必要数据
"""

user_pattern = re.compile(
    r"00~(\d{16})~.*?01~.*?Bank~Name~(\d{9})~([A-Z]{4}0[A-Z0-9]{6})~",
    flags=re.DOTALL # 支持跨行匹配
)

output = []
for match in user_pattern.finditer(raw_content):
    demat, micr, ifsc = match.groups()
    output.append({
        "demat_id": demat,
        "micr_code": micr,
        "ifsc_code": ifsc
    })

方案2：分块单独匹配（容错性更高，适合存在字段缺失的场景） #

先按用户数据边界拆分内容，再对每个用户块单独匹配字段，缺失字段默认赋值为None：

import re

raw_content = """你的原始数据"""
output = []
# 按00开头的用户标识拆分所有用户块
user_blocks = re.split(r"(?=00~\d{16}~)", raw_content)

for block in user_blocks[1:]: # 跳过拆分出来的空首元素
    # 逐个匹配字段，不存在则留空
    demat = re.search(r"00~(\d{16})~", block)
    micr = re.search(r"Bank~Name~(\d{9})~", block)
    ifsc = re.search(r"[A-Z]{4}0[A-Z0-9]{6}", block)
    output.append({
        "demat_id": demat.group(1) if demat else None,
        "micr_code": micr.group(1) if micr else None,
        "ifsc_code": ifsc.group(0) if ifsc else None
    })

两种方案最终输出的output都是字典组成的列表，每个字典对应一个用户的关联信息，不会出现字段错位的问题。

内容的提问来源于stack exchange，提问作者Nipun