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/