Python解析未知长度文本：提取动作序列及时间的最优Pythonic方案

这问题用正则表达式来处理就非常顺手，而且完全贴合Python的简洁、实用风格。下面给你完整的实现思路和代码：

核心思路 #

1. 拆分动作单元：先把整个序列字符串按(THEN)或(WITH)拆分成单个的「动作+时间」模块，保证顺序不变。
2. 提取关键信息：对每个模块，用正则匹配出动作名称和对应的时间戳，分别收集到两个列表里。

完整代码实现 #

import re

def extract_actions_and_times(sequence_str):
    # 拆分单个动作单元，支持两种分隔符
    action_units = re.split(r'\(THEN\)|\(WITH\)', sequence_str.strip())
    # 预编译正则模式，提升匹配效率（处理大量数据时更明显）
    pattern = re.compile(r'^(.+)\(AT\)(.+)$')
    
    # 用列表推导式过滤有效匹配并提取数据
    valid_matches = [pattern.match(unit) for unit in action_units if pattern.match(unit)]
    actions = [match.group(1) for match in valid_matches]
    times = [match.group(2) for match in valid_matches]
    
    return actions, times

# 测试示例
sample_input = "as.web.product.viewed(AT)2018-01-28T19:00:52.032Z(THEN)as.web.product.viewed(AT)2018-01-28T19:02:20.132Z"
actions_list, times_list = extract_actions_and_times(sample_input)
print(actions_list)  # 输出: ['as.web.product.viewed', 'as.web.product.viewed']
print(times_list)    # 输出: ['2018-01-28T19:00:52.032Z', '2018-01-28T19:02:20.132Z']

为什么这是Python风格？ #

• 简洁性：用列表推导式替代冗余的循环判断，代码更紧凑易读。
• 复用性：封装成函数，方便批量处理数据库里的大量字符串。
• 健壮性：通过strip()处理字符串首尾可能的空白，用if pattern.match(unit)过滤无效单元，避免报错。
• 效率优化：预编译正则表达式pattern，处理大量数据时比每次匹配都编译要更快。

补充说明 #

如果你的动作名称里绝对不会出现(AT)这种格式的字符串，这个正则方案就完全安全。从你给出的动作类型（比如as.web.product.purchased）来看，完全符合这个前提，所以可以放心使用。

内容的提问来源于stack exchange，提问作者Jessica Chambers