python数据清洗 —— re.split()划分字符串

需求

对于一行字符串：

route-views6.routeviews.org                 141694                   2a0c:b641:24f:fffe::7    184891 | CN | apnic   | OTAKUJAPAN-AS Otaku Limited, CN

要将其划分成如下7个部分，

['route-views6.routeviews.org', '141694', '2a0c:b641:24f:fffe::7', '184891', 'CN', 'apnic', 'OTAKUJAPAN-AS Otaku Limited, CN']

分别表示含义：

route-views6.routeviews.org （收集器名称）
141694 （AS编号）
2a0c:b641:24f:fffe::7 （对等地址）
CN （国家）
apnic （区域）
OTAKUJAPAN-AS Otaku Limited, CN （AS名称）

分析

尝试1：直接使用str.split()进行划分。

得到

['route-views6.routeviews.org', '141694', '2a0c:b641:24f:fffe::7', '184891', '|', 'CN', '|', 'apnic', '|', 'OTAKUJAPAN-AS', 'Otaku', 'Limited,', 'CN']

可以看到，str.split()可以划分以空格进行分隔的多个元素，但也会导致两个问题

1. 字符串中有分隔竖线 “|” ，没能过滤掉
2. 对于 OTAKUJAPAN-AS Otaku Limited, CN （AS名称），其应该是一个整体，而不能被拆分开来

尝试2：使用re.split()

re.split()可以匹配多种形式的字符串，而对于该问题中分隔使用多样的情况，比较适用。因此，可以先统计一下，对于该字符串而言，有几种分隔形式。针对每类分隔形式写一个正则表达式来匹配，从而实现正确划分。

分隔情况1：两个以上空格

对于前四个元素而言，他们是用两个及两个以上的空格来划分，使用两个空格及以上，也能够防止AS名称被误拆分成不同的单词。
对应的正则表达式为\s{2}\s+，表示匹配至少两个连续的空白字符。

分隔情况2：一个竖线和空格

对于对等地址、国家、区域，他们是用一个空格和一个竖线来划分。
对应的正则表达式为\|\s，表示匹配一个竖线 “|” 后跟着一个空白字符。

分隔情况2：两个空格和一个竖线

对于AS名称之前的划分，使用两个空格和一个竖线来划分。
对应的正则表达式为\s{2}\|，表示匹配两个连续的空白字符后跟着一个竖线 “|”。

结果

matches = re.split(r"\s{2}\s+ | \s{2}\| | \|\s", line)

其中，line表示原字符串，划分后结果如下：

this line is:  route-views6.routeviews.org                 141694                   2a0c:b641:24f:fffe::7    184891 | CN | apnic   | OTAKUJAPAN-AS Otaku Limited, CN

['route-views6.routeviews.org', '141694', '2a0c:b641:24f:fffe::7', '184891', 'CN', 'apnic', 'OTAKUJAPAN-AS Otaku Limited, CN']