草庐IT

python - 匹配 OR 中较长字符串的正则表达式

coder 2023-08-18 原文

动机

我正在解析地址，需要在单独的匹配项中获取地址和国家/地区，但这些国家/地区可能有别名，例如:

UK == United Kingdom, 
US == USA == United States,
Korea == South Korea,

等等……

说明

因此，我所做的是创建一个大的正则表达式，其中包含所有可能的国家/地区名称(至少是那些更有可能出现的国家/地区名称)，由 OR 运算符分隔，如下所示:

germany|us|france|chile

但问题在于多词国家名称及其较短的版本，例如:

摩尔多瓦共和国和摩尔多瓦

以此为例，我们有字符串:

'Somewhere in Moldova, bla bla, 12313, Republic of Moldova'

我想从中得到什么:

'Somewhere in Moldova, bla bla, more bla, 12313'
'Republic of Moldova'

但这就是我得到的:

'Somewhere in Moldova, bla bla, 12313, Republic of'
'Moldova'

正则表达式

由于有几种情况，这里是我目前使用的:

^(.*),? \(?(republic of moldova|moldova)\)?(.*[\d\-]+.*|,.*[:/].*)?$

因为我们可能在国家名称后有传真、电话、邮政编码或其他内容——我不关心这些——我使用最后一个匹配组来删除它们:

(.*[\d\-]+.*|,.*[:/].*)?

此外，有时国家名称会括在括号中，所以我在第二个匹配组周围有 \(? 和 \)?，所有国家都在里面它:

(republic of moldova|moldova|...)

问题

事情是，当有一个条目是一个更大的条目的子集时，选择较短的条目而不是较长的条目，其余部分保留在 base_address 字符串中。 当两个值匹配时，有没有办法告诉正则表达式选择最大可能的匹配项？

编辑

  1. 我正在使用内置 re 模块的 Python

  2. 根据 m.buettner 的建议，将第一个匹配组从 (.*) 更改为 (.*?) 确实解决了当前问题，但是它还创建了另一个。考虑其他示例:

    '新加坡国立大学化学系, 4512436 Singapore'

匹配:

'Department of Chemistry, National University of'
'Singapore'

这里它现在匹配得太快了。

最佳答案

你的问题是greediness .

开头的 .* 尝试尽可能匹配。这就是字符串末尾之前的所有内容。但是你的模式的其余部分失败了。因此引擎回溯并丢弃与 .* 匹配的最后一个字符并再次尝试模式的其余部分(仍然失败)。引擎将重复这个过程(匹配失败，回溯/丢弃一个字符，再试一次)直到它最终可以与模式的其余部分匹配。第一次发生这种情况是 .* 匹配到 Moldova 的所有内容(因此 .* 仍在消耗 Republic of).然后交替(仍然无法匹配 摩尔多瓦共和国)将很乐意匹配 moldova 并将其作为结果返回。

最简单的解决方案是让重复变得不贪婪:

^(.*?)...

请注意，量词后面的问号并不表示“可选”，而是表示“不可取”。这只是简单地颠倒了行为:引擎首先尝试完全省略 .*，并且在回溯过程中，它在每次尝试匹配模式的其余部分失败后又包含一个字符。

编辑:

通常有更好的选择来替代不贪婪。正如您在评论中所述，不理想的解决方案带来了另一个问题，即字符串较早部分的国家/地区可能会匹配。你可以做的是使用 lookarounds确保在国家/地区之前或之后没有单词字符(字母、数字、下划线)。这意味着，只有在国家/地区单词被逗号或字符串的任一端包围时才会匹配:

^(.*),?(?<!\w)[ ][(]?(c|o|u|n|t|r|i|e|s)[)]?(?![ ]*\w)(.*[\d\-]+.*|,.*[:/].*)?$

由于 lookarounds 实际上并不是匹配的一部分，它们不会干扰您模式的其余部分 - 它们只是检查匹配中特定位置的条件。我添加的两个环视确保:

  1. 国家前面的必填空格前没有单词字符。
  2. 国家之后没有单词字符，仅由空格分隔。

请注意，我在字符类中包装了空格，以及文字括号(而不是转义它们)。两者都不是必需的，但我更喜欢这些可读性，所以它们只是一个建议。

编辑 2:

正如 abarnert 在评论中提到的那样，不使用仅使用正则表达式的解决方案怎么样？

您可以在 , 上拆分字符串，然后修剪每个结果，并根据您的国家/地区列表检查这些结果(可能使用正则表达式)。如果您地址的任何组成部分与您所在的国家/地区相同，您可以将其退回。如果有多个，至少你可以检测到歧义并正确处理它。

关于python - 匹配 OR 中较长字符串的正则表达式，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/16619401/

pythonORcodepresectionregex

有关python - 匹配 OR 中较长字符串的正则表达式的更多相关文章

  1. ruby - 如何使用 Nokogiri 的 xpath 和 at_xpath 方法 - 2

    我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div

  2. ruby - 如何从 ruby​​ 中的字符串运行任意对象方法？ - 2

    总的来说，我对ruby​​还比较陌生，我正在为我正在创建的对象编写一些rspec测试用例。许多测试用例都非常基础，我只是想确保正确填充和返回值。我想知道是否有办法使用循环结构来执行此操作。不必为我要测试的每个方法都设置一个assertEquals。例如:describeitem,"TestingtheItem"doit"willhaveanullvaluetostart"doitem=Item.new#HereIcoulddotheitem.name.shouldbe_nil#thenIcoulddoitem.category.shouldbe_nilendend但我想要一些方法来使用

  3. Ruby 解析字符串 - 2

    我有一个字符串input="maybe(thisis|thatwas)some((nice|ugly)(day|night)|(strange(weather|time)))"Ruby中解析该字符串的最佳方法是什么？我的意思是脚本应该能够像这样构建句子:maybethisissomeuglynightmaybethatwassomenicenightmaybethiswassomestrangetime等等，你明白了......我应该一个字符一个字符地读取字符串并构建一个带有堆栈的状态机来存储括号值以供以后计算，还是有更好的方法？也许为此目的准备了一个开箱即用的库？

  4. ruby - 使用 RubyZip 生成 ZIP 文件时设置压缩级别 - 2

    我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看ruby​​zip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d

  5. ruby - 为什么我可以在 Ruby 中使用 Object#send 访问私有(private)/ protected 方法？ - 2

    类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc

  6. ruby-on-rails - 使用 Ruby on Rails 进行自动化测试 - 最佳实践 - 2

    很好奇，就使用ruby​​onrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提

  7. ruby-on-rails - rails : keeping DRY with ActiveRecord models that share similar complex attributes - 2

    这似乎应该有一个直截了当的答案，但在Google上花了很多时间，所以我找不到它。这可能是缺少正确关键字的情况。在我的RoR应用程序中，我有几个模型共享一种特定类型的字符串属性，该属性具有特殊验证和其他功能。我能想到的最接近的类似示例是表示URL的字符串。这会导致模型中出现大量重复(甚至单元测试中会出现更多重复)，但我不确定如何让它更DRY。我能想到几个可能的方向...按照“validates_url_format_of”插件，但这只会让验证干给这个特殊的字符串它自己的模型，但这看起来很像重溶液为这个特殊的字符串创建一个ruby​​类，但是我如何得到ActiveRecord关联这个类模型

  8. ruby - 在 Ruby 中使用匿名模块 - 2

    假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于

  9. ruby - 其他文件中的 Rake 任务 - 2

    我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时

  10. ruby - 如何在 Ruby 中顺序创建 PI - 2

    出于纯粹的兴趣，我很好奇如何按顺序创建PI，而不是在过程结果之后生成数字，而是让数字在过程本身生成时显示。如果是这种情况，那么数字可以自行产生，我可以对以前看到的数字实现垃圾收集，从而创建一个无限系列。结果只是在Pi系列之后每秒生成一个数字。这是我通过互联网筛选的结果:这是流行的计算机友好算法，类机器算法:defarccot(x,unity)xpow=unity/xn=1sign=1sum=0loopdoterm=xpow/nbreakifterm==0sum+=sign*(xpow/n)xpow/=x*xn+=2sign=-signendsumenddefcalc_pi(digits

随机推荐