我需要从一大块文本中抽出可能的标题。比如说“我想和美国的乔·史密斯相配”。我现在需要修改它以匹配以某个标题开头的名称(例如“Joe Smith博士”)。下面是我的正则表达式:
NON_CAPPED_WORDS = (
# Articles
'the',
'a',
'an',
# Prepositions
'about',
'after',
'as',
'at',
'before',
'by',
'for',
'from',
'in',
'into',
'like',
'of',
'on',
'to',
'upon',
'with',
'without',
)
TITLES = (
'Dr\.',
'Mr\.',
'Mrs\.',
'Ms\.',
'Gov\.',
'Sen\.',
'Rep\.',
)
# These are words that don't match the normal title case regex, but are still allowed
# in matches
IRREGULAR_WORDS = NON_CAPPED_WORDS + TITLES
non_capped_words_re = r'[\s:,]+|'.join(IRREGULAR_WORDS)
TITLE_RE = re.compile(r"""(?P<title>([A-Z0-9&][a-zA-Z0-9]*[\s,:-]*|{0})+\s*)""".format(non_capped_words_re))
它将生成以下正则表达式:
^{pr2}$但这似乎行不通:
>>> whitelisting.TITLE_RE.findall('Dr. Joe Smith')
[('Dr', 'Dr'), ('Joe Smith', 'Smith')]
谁有更好的正则表达式fu可以帮助我解决这个混乱的正则表达式?在
问题似乎是表达式的第一部分
[A-Z0-9&][a-zA-Z0-9]*[\s,:-]*
正在吞噬“前缀标题”中的初始字符,因为它们在到达句点之前都是以标题大小写为单位的。因此,当+
重复子表达式并遇到'Dr.'
时,表达式的初始部分匹配'Dr'
,只留下不匹配的句点。在一个简单的解决方法是简单地将“特殊情况”移到表达式的前面,以便将它们作为第一个手段而不是最后一个手段进行匹配(这实际上只是将
{0}
从表达式的末尾移到前面):结果:
^{pr2}$我可能会进一步修改表达式以避免
[\s:,]+
的所有重复,但我不确定除了使格式化的表达式看起来更好之外,还有什么真正的好处:相关问题 更多 >
编程相关推荐