我需要从大量文本中提取可能的标题。例如,我想匹配“乔·史密斯”,“公司”或“美国”之类的词。我现在需要对其进行修改,以匹配以某种标题开头的名称(例如“ Dr. Joe Smith”)。这是我的正则表达式:

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))


生成以下正则表达式:

(?P<title>([A-Z0-9&][a-zA-Z0-9]*[\s,:-]*|the[\s:,]+|a[\s:,]+|an[\s:,]+|about[\s:,]+|after[\s:,]+|as[\s:,]+|at[\s:,]+|before[\s:,]+|by[\s:,]+|for[\s:,]+|from[\s:,]+|in[\s:,]+|into[\s:,]+|like[\s:,]+|of[\s:,]+|on[\s:,]+|to[\s:,]+|upon[\s:,]+|with[\s:,]+|without[\s:,]+|Dr\.[\s:,]+|Mr\.[\s:,]+|Mrs\.[\s:,]+|Ms\.[\s:,]+|Gov\.[\s:,]+|Sen\.[\s:,]+|Rep\.)+\s*)


但这似乎不起作用:

>>> whitelisting.TITLE_RE.findall('Dr. Joe Smith')
[('Dr', 'Dr'), ('Joe Smith', 'Smith')]


有更好的正则表达式功能的人可以帮助我解决此正则表达式问题吗?

最佳答案

问题似乎是表达式的第一部分[A-Z0-9&][a-zA-Z0-9]*[\s,:-]*吞噬了“前缀标题”中的初始字符,因为它们会被标题区分大小写,直到到达句点为止。因此,当+重复子表达式并遇到'Dr.'时,表达式的初始部分与'Dr'匹配,并且仅留下不匹配的时间段。

一个简单的解决方法是将“特殊情况”简单地移动到表达式的前面,因此将它们作为首选方法而不是最后一种方法进行匹配(这实际上只是将{0}从表达式的末尾移动到表达式的前面) ):

TITLE_RE = re.compile(r"""(?P<title>({0}|[A-Z0-9&][a-zA-Z0-9]*[\s,:-]*)+\s*)""".format(non_capped_words_re))


结果:

>>> TITLE_RE.findall('Dr. Joe Smith');
[('Dr. Joe Smith', 'Smith')]


我可能会更进一步并修改表达式,以避免所有[\s:,]+重复,但是除了使格式化的表达式看起来更好一点之外,我不确定是否有任何真正的好处:

'|'.join(IRREGULAR_WORDS)
TITLE_RE = re.compile(r"""(?P<title>((?:{0})[\s:,]+|[A-Z0-9&][a-zA-Z0-9]*[\s,:-]*)+\s*)""".format(non_capped_words_re))

关于python - 如何使标题大小写的正则表达式匹配前缀标题?,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/6146885/

10-11 19:08
查看更多