Podział pliku txt na kolumny z użyciem regex

Burgman
2 czerwca 2025
chat_bubble_outline 6
  • link
    Członkowie 20 postów
    2 czerwca 2025 22:41
    link

    Mam plik txt z jednym stringiem postaci:

    1 Warszawa powiat Warszawa mazowieckie 1 861 644 517,2 km² 2 Kraków powiat Kraków małopolskie 804 237 326,9 km² 3 Łódź powiat Łódź łódzkie 655 279 293,3 km² 4 Wrocław powiat Wrocław dolnośląskie 674 132 292,8 km² ... ... ... ...

    (dane pochodzą z www.polskawliczbach.pl/Miasta)

    "Splitnałem" sobie ten string po "km.kw" i mam poszczególne miasta, ale jeszcze potrzebuje to podzielić na kolumny:

    l.poj, miasto, powiat, województwo, ludność i powierzchnia w km.kw.

    Niby nic trudnego ;), ale zastanawiam się jakbyście to zrobili z użyciem modułu re.

    Ja to zrobiłem w dwóch linijkach, bez regex, ale uważam to za mniej elegancki sposób i chętnie zobaczę jak się z tym uporać z regex :)

    Pierwsze 4 linie to:

    data = ['1 Warszawa powiat Warszawa mazowieckie 1 861 644 517,2', '2 Kraków powiat Kraków małopolskie 804 237 326,9', '3 Łódź powiat Łódź łódzkie 655 279 293,3', '4 Wrocław powiat Wrocław dolnośląskie 674 132 292,8']

    Ktoś da radę?

  • link
    Zespół
    3 czerwca 2025 00:18
    link

    Bez regexu:

    data = "1 Warszawa powiat Warszawa mazowieckie 1 861 644 517,2 km² 2 Kraków powiat Kraków małopolskie 804 237 326,9 km² 3 Łódź powiat Łódź łódzkie 655 279 293,3 km² 4 Wrocław powiat Wrocław dolnośląskie 674 132 292,8 km²"

clean_data = []
for row in data.split("km²"):
    if not row:
        break

    no, row = row.strip().split(" ", 1)
    name, row = row.split(" powiat ")
    row, surface = row.rsplit(",", 1)

    digit_index = None
    for i, c in enumerate(row):
        if c.isdigit():
           digit_index = i
           break

    population = row[digit_index:]
    powiat, voivodeship = row[:digit_index].strip().split(" ")
    clean_data.append((no, name, powiat, voivodeship, population, surface))

print(clean_data)

    Wynik:

    [('1', 'Warszawa', 'Warszawa', 'mazowieckie', '1 861 644 517', '2'), ('2', 'Kraków', 'Kraków', 'małopolskie', '804 237 326', '9'), ('3', 'Łódź', 'Łódź', 'łódzkie', '655 279 293', '3'), ('4', 'Wrocław', 'Wrocław', 'dolnośląskie', '674 132 292', '8')]
  • link
    Członkowie 20 postów
    3 czerwca 2025 12:35
    link

    Cześć, miało być z regex :) Bez regexu to ja już miałem zrobione wczoraj.

    Twoje rozwiązanie działa b. dobrze, ale jest over-engineered (po polsku: przekombinowane) :)
    Widzę, po pierwszych liniach, że szedłeś w dobrym kierunku, ale później zabrakło chyba pomysłu.

    Nie lubię się za bardzo chwalić, ale ja to zrobiłem w dwóch linijkach kodu :) To znaczy najważniejsza rzecz, czyli "podział na kolumny".

    data = data.split(" km² ")

for d in data:
    reszta, powierzchnia = d.rsplit(" ", 1)
    lpoj, miasto, _, powiat, wojewodztwo, ludnosc = reszta.split(" ", 5)

    Może ktoś na forum pokusi się o regexa? ;)

  • link
    Zespół
    3 czerwca 2025 17:19
    link

    Podstawowe pytamie jakie się nasuwa, to po co regex? ;)

    XKCD

    Problem ze splitem po spacji całego wiersza nazywa się Dąbrowa Górnicza, podobno jest tam ulica Dunninga Krugera ;) ale mój kod też tam głupieje, tylko że przy województwie

  • link
    Zespół
    3 czerwca 2025 17:41
    link

    v2.0:

    data = "1 Warszawa powiat Warszawa mazowieckie 1 861 644 517,2 km² 2 Kraków powiat Kraków małopolskie 804 237 326,9 km² 3 Łódź powiat Łódź łódzkie 655 279 293,3 km² 4 Wrocław powiat Wrocław dolnośląskie 674 132 292,8 km² 29 Gorzów Wielkopolski powiat Gorzów Wielkopolski lubuskie 115 847 85,7 km² 30 Dąbrowa Górnicza powiat Dąbrowa Górnicza śląskie 114 148 188,7 km²"

clean_data = []
for row in data.split("km²"):
    if not row:
        break

    no, row = row.strip().split(" ", 1)
    name, row = row.split(" powiat ")
    row, surface = row.rsplit(",", 1)

    digit_index = None
    for i, c in enumerate(row):
        if c.isdigit():
           digit_index = i
           break

    population = row[digit_index:]
    powiat, voivodeship = row[:digit_index].strip().rsplit(" ", 1)
    clean_data.append((no, name, powiat, voivodeship, population, surface))

print(clean_data)

    Wynik:

    [('1', 'Warszawa', 'Warszawa', 'mazowieckie', '1 861 644 517', '2'), ('2', 'Kraków', 'Kraków', 'małopolskie', '804 237 326', '9'), ('3', 'Łódź', 'Łódź', 'łódzkie', '655 279 293', '3'), ('4', 'Wrocław', 'Wrocław', 'dolnośląskie', '674 132 292', '8'), ('29', 'Gorzów Wielkopolski', 'Gorzów Wielkopolski', 'lubuskie', '115 847 85', '7'), ('30', 'Dąbrowa Górnicza', 'Dąbrowa Górnicza', 'śląskie', '114 148 188', '7')]
  • link
    Członkowie 20 postów
    4 czerwca 2025 12:38
    link

    Regex wydawał mi się bardziej elegancki i bardziej profesjonalny. Ale mogę nie mieć racji.

    Co do nazw dwuczłonowych, to rzeczywiście to przeoczyłem. Kodzik napisałem na szybko i gruntownie nie sprawdzałem miasto po mieście.

    Zauważyłem u Ciebie (obie wersje) jeszcze, że zgubiłeś informację o powierzchni w km.kw - masz w ostatniej kolumnie tylko pojedynczą cyfrę w wynikach (cześć cyfr z powierzchni powędrowała do populacji). .....A wydawałoby się, że to trywialny przykład :)

    Dzięki za udział w wyzwaniu! ;)

    BTW. W skrypcie forum dodałbym numerację linii kodu - zawsze łatwiej się odnieść do kodu.

  • link
    Zespół
    4 czerwca 2025 12:54
    link

    Faktycznie, ale to łatwe do poprawienia (trzeba zastąpić przecinek spacją w rsplicie).

    Nie ma nic eleganckiego w długich patternach regexu, i często parser który regexa nie używa może być czytelniejszy, nie mówiąc o szybkości działania. IMHO