本文介绍一种基于行分割与顺序切片的稳健方法，从结构化文本中准确提取网球比赛双方的逐局得分，避免因全局数字提取导致的顺序错乱问题。
本文介绍一种基于行分割与顺序切片的稳健方法，从结构化文本中准确提取网球比赛双方的逐局得分，避免因全局数字提取导致的顺序错乱问题。
在处理网球赛事原始文本（如直播日志或爬虫抓取的比分段）时，一个常见但关键的需求是：严格保持数值在原文中出现的物理顺序，并据此区分两位选手的局分（games）。原方案使用 split() 全局切分后通过步长切片（[::2] / [1::2]）分配数值，本质上假设“p1 和 p2 的分数严格交替出现”，而实际文本结构是先集中列出 p1 所有局分，再集中列出 p2 所有局分——这直接导致 p1_score = "4 6" 这类逻辑错误。
正确的解法应尊重文本的行级结构语义：观察示例可知，每个数字独占一行，且 p1 分数位于 D. Altmaier 和 M. Kecmanovic 之间，p2 分数位于 M. Kecmanovic 之后、最终总结句之前。因此，我们应优先利用换行符进行分割，再按顺序归组：
def extract_player_scores(row):
# 按行分割，过滤出纯数字行（去除空行和非数字行）
lines = row['score'].splitlines()
numeric_lines = [line.strip() for line in lines if line.strip().isdigit()]
# 将所有连续数字行均分为两组：前半为 p1，后半为 p2
n = len(numeric_lines)
if n == 0:
return pd.Series(["", ""])
mid = n // 2
p1_scores = " ".join(numeric_lines[:mid])
p2_scores = " ".join(numeric_lines[mid:])
return pd.Series([p1_scores, p2_scores])
# 应用到 DataFrame
df_final[['p1_score', 'p2_score']] = df_final.apply(extract_player_scores, axis=1)✅ 为什么此方法更可靠？
- splitlines() 保留了原始文本的垂直布局逻辑，每行一个数字对应一局比分；
- strip().isdigit() 精准识别独立数字行，避免误匹配时间（如 "01:33:55"）或混合字符串；
- 顺序切片 [:mid] 和 [mid:] 直接映射“先 p1 后 p2”的语义结构，不依赖数字位置奇偶性。
⚠️ 注意事项：
- 若文本中存在额外干扰数字（如赛制轮次 "Round of 16" 中的 16），需先做预处理（例如用正则定位 Altmaier 到 Kecmanovic 之间的区块）；
- 对于非对称局数（如抢七局 7-6 可能产生 3 个数字），n//2 自动向下取整，确保 p1 得到前 ⌊n/2⌋ 个值，符合多数网球比分格式（双方局数通常相等，或 p2 多一局）；
- 生产环境建议增加异常处理（如空输入、无数字行），提升鲁棒性。
该方法简洁、可读性强，且完全脱离对字符串全局模式的脆弱依赖，是结构化文本中顺序敏感型数值提取的典型实践范式。
