如何使标题大小写正则表达式与前缀标题匹配？
如何使标题大小写正则表达式与前缀标题匹配？
提问于 2011-05-27 09:24:48
我需要从一段文本中提取可能的标题。因此，例如，我想匹配"Joe Smith“、”公司“或”美利坚合众国“之类的词。我现在需要修改它以匹配以某种标题开头的名称(比如"Dr. Joe Smith")。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))它构建以下正则表达式：
(?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*)不过，这似乎不起作用：
>>> whitelisting.TITLE_RE.findall('Dr. Joe Smith')
[('Dr', 'Dr'), ('Joe Smith', 'Smith')]有没有更好的regex-fu的人可以帮我解决这个乱七八糟的regex？
Stack Overflow用户
回答已采纳
发布于 2011-05-27 11:35:19
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”中的首字母，因为它们是以标题为大小写的，直到到达句点。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，只留下不匹配的句号。
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，这样它们就会作为第一种方法而不是最后的方法进行匹配(这实际上只是将{0}从表达式的末尾移到前面)：
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，修改表达式以避免[\s:,]+的所有重复，但我不确定除了让格式化的表达式看起来更漂亮之外，还有什么真正的好处：
'|'.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))页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/6146885
复制相关文章
相似问题
腾讯云开发者
