10

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...

解释

所以，我所做的是创建一个大的正则表达式，其中所有可能的国家名称（至少更可能出现的国家名称）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：

Republic of Moldova和Moldova

以此为例，我们有以下字符串：

'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，这是我目前使用的：

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

因为我们可能在国家名称后面有传真、电话、邮政编码或其他东西——我不在乎——我使用最后一个匹配组来删除它们：

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

另外，有时国家名称用括号括起来，所以我有\(?第二\)?个匹配组，所有国家都放在里面：

(republic of moldova|moldova|...)

问题

问题是，当有一个条目是较大条目的子集时，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？

编辑

  1. 我正在使用带有内置 re 模块的 Python

  2. 正如 m.buettner 所建议的，将第一个匹配组从更改(.*)为(.*?)确实可以解决当前问题，但它也会创建另一个问题。考虑其他示例：

    '新加坡国立大学化学系，新加坡 4512436'

火柴：

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

现在它匹配得太早了。

4

2 回答 2

6

你的问题是贪婪。

开头的.*权利尽可能地匹配。这就是字符串结束之前的所有内容。但随后你的模式的其余部分就失败了。因此引擎回溯，并丢弃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在.*匹配所有内容时Moldova（因此.*仍在消耗Republic of）。然后交替（仍然无法匹配republic of moldova）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使重复不贪婪：

^(.*?)...

请注意，量词后面的问号并不意味着“可选”，而是使其“不贪婪”。这只是颠倒了行为：引擎首先尝试.*完全省略，并且在回溯的过程中，在每次尝试匹配模式的其余部分失败后，它会再包含一个字符。

编辑：

通常有更好的替代不贪婪的方法。正如您在评论中所说，不贪婪的解决方案带来了另一个问题，即字符串前面部分的国家/地区可能会匹配。相反，您可以做的是使用环视来确保在国家/地区之前或之后没有单词字符（字母、数字、下划线）。这意味着，如果国家/地区单词被逗号或字符串的任一端包围，则仅匹配：

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

由于环视实际上并不是匹配的一部分，因此它们不会干扰您的模式的其余部分——它们只是检查匹配中特定位置的条件。我添加的两个外观确保：

  1. 国家前面的必填空格前没有单词字符。
  2. 国家后面没有单词字符，只用空格隔开。

请注意，我在字符类中包含了空格，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，不使用纯正则表达式解决方案怎么样？

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/地区之一相同，您可以将其退回。如果有多个，至少您可以检测到歧义并正确处理它。

于 2013-05-18T00:18:19.423 回答
1

对正则表达式中的所有替代项进行排序，只需通过排序（从最长到最短）的名称数组以编程方式创建正则表达式。然后在原子组中制作整个正则表达式（PCRE引擎有它，不知道RE引擎是否也有它）。由于原子组，正则表达式引擎永远不会回溯尝试原子组中的其他替代方案，因此您已对所有替代方案进行排序，匹配将始终是最长的。

多田。

于 2017-07-25T11:57:03.807 回答