Python2.X:Regex查找所有以“quot；结尾的公司名称；。股份有限公司；

我正试图从新闻稿中提取公司名称。例如，下面是一份新闻稿的片段（法语），其中包含以

.inc

结尾的七家公司的名单

有效地，魁北克省可利用浮雕制造业的起源，不沥青Vrac运输公司，9163-6704魁北克公司，企业德尼·杜普雷公司，杰恩·马查多公司，Impact Technologie Environmentale inc.，Les Enterprises Luc Clément inc.et运输Vrac Global International inc.

我正在尝试使用以下代码提取所有名称：

aa = re.findall('inc\.,? (.*?inc\.)', text)

我确实捕获了不少，但由于某些原因，我无法计算，无法将它们全部提取出来。这看起来很琐碎，但却让我受了几个小时的折磨

---

感谢您的帮助

在这种情况下，您可以避免使用

regex

，而是尝试：

text.split(“,”)

---

然后遍历创建的

列表，查找
“.inc”
在这种情况下，您可以避免使用
regex
，而是尝试：

text.split(“,”)

然后遍历创建的
列表
，查找
“.inc”
摘要
使用模块（而不是
re
）可以使用此解决方案


密码
选择1
这是原始正则表达式，仅与
inc.
匹配。这也不允许公司名称包含
et
。有关更全面的正则表达式，请参见选项2


选择2
对于还检查其他公司实体（如
ltd.
或
sons
）的更全面的正则表达式，可以使用以下正则表达式


注意：在某些风格的正则表达式中，您可以使用
\K
标记。此标记重置报告匹配的起点（以前使用的任何字符不再包括在最终匹配中）。如果您的正则表达式引擎支持
\K
标记（并且没有将其转换为文本
K
），则可以使用以下方法（有效地消除了捕获组的需要）



后果
输入
有效的，魁北克省可利用克罗地亚的存在主题
ces企业可用的浮雕制作产地
Plusiers sociétés，不沥青Vrac运输公司，9163-6704
魁北克公司、Denis Dupréinc.企业、Gestion Jean M.Machado
Impact Technologie Environmentale inc.，Les Enterprises Luc
克莱门特运输公司Vrac环球国际公司

输出

解释
选择1

[\p{Lu}\p{N}]
匹配集合中的任何内容（在本例中为
\p{Lu}
-任何语言中的任何大写字符（包括用于大写法语字符的Unicode和用于数字公司的数字）
（？：（？！et）[^，]*）*
匹配以下任意次数（）

（？！et）
反向前瞻确保后续内容与
et
字面上不匹配
[^，]
按字面意思匹配除逗号以外的任何字符
，

inc\.
Match
inc.

选择2

（？：et |，）
按字面意思匹配
et
或逗号
，
[^，]*？
匹配集合中不存在的任何字符（除逗号以外的任何字符
，
任意次数，但尽可能少）
（[\p{Lu}\p{N}][^，]*？\s（？：inc\.| sons | ltd.））
将以下内容捕获到捕获组1中

[\p{Lu}\p{N}]
匹配任何Unicode大写字符或Unicode数字（用于数字公司）
[^，]*？
匹配集合中不存在的任何字符（除逗号以外的任何字符
，
任意次数，但尽可能少）
\s
匹配空白字符
（？：inc\.| sons | ltd\）
匹配以下任一项

inc\.
Match
inc.
sons
Match
sons
ltd\.
Match
ltd.




笔记
正则表达式模块vs re
通过使用模块，我们可以使用Unicode字符类，如
\p{Lu}
，以确保我们还可以发现公司名称以大写Unicode字符开头的可能性，如
É

抓住特殊情况
正则表达式链接（在“代码”下）包括要测试的附加字符串：

, Étoile Simpsons et sons, Étoile Simpsons inc., Étoile et Simpsons inc.

添加此附加行时，只应捕获以下字符串（根据OP规范的有效公司名称）：


辛普森父子公司
爱多乐辛普森公司
爱多乐辛普森有限公司

这带来了一些挑战，包括：


公司名称以大写Unicode字符
É
开头。

这意味着我们必须确保Unicode大写字母的兼容性，因此使用类似
[A-Z]
的方法来确保名称以大写字符开头是不可能的

公司以
子公司
结尾，但也包括
子公司
（子公司不能在第一次匹配时停止）。

以《辛普森一家》为例。

这不应该以《辛普森一家》中的《儿子》

结尾。这是一种本能（至少在正则表达式中是如此）可能是使用

\b

来声明单词边界。虽然这可能是首选方法，但在这种情况下不起作用。以法语单词

blésons

为例。使用

\b

实际上将在

blésons

中匹配，因为正则表达式引擎很少匹配

\b
(?:et|,)[^,]*?\K[\p{Lu}\p{N}][^,]*?\s(?:inc\.|sons|ltd\.)
              ^^

Asphalte Vrac Transport inc.
9163-6704 Québec inc.
Entreprise Denis Dupré inc.
Gestion Jean M. Machado inc.
Impact Technologie Environnementale inc.
Les entreprises Luc Clément inc.
Transport Vrac Globe International inc.

, Étoile Simpsons et sons, Étoile Simpsons inc., Étoile et Simpsons inc.

aa = [s.strip() for s in text.split(',') if s.lower().endswith(' inc.')]

   >>> string = """En effet, Revenu Québec avait des motifs raisonnables de croire que ces entreprises avaient utilisé de fausses factures provenant de plusieurs sociétés, dont Asphalte Vrac Transport inc., 9163-6704 Québec inc., Entreprise Denis Dupré inc., Gestion Jean M. Machado inc., Impact Technologie Environnementale inc., Les entreprises Luc Clément inc. et Transport Vrac Globe International inc."""
   >>> pattern = r'((?:[A-Z0-9\-]\.?\w*\s?(?:[a-z0-9\-]\w*\s?)?)+ inc\.)'
   >>> m = re.findall(pattern, string)
   >>> print('\n'.join(m))

   Asphalte Vrac Transport inc.
   9163-6704 Québec inc.
   Entreprise Denis Dupré inc.
   Gestion Jean M. Machado inc.
   Impact Technologie Environnementale inc.
   Les entreprises Luc Clément inc.
   Transport Vrac Globe International inc.

   [A-Z0-9\-] # match an uppercase letter or number or dash
   \.?        # match optional dot
   \w*        # match alpha-numeric chars 0 or more times
   \s?        # match optional white-space

   (?:[a-z0-9\-]\w*\s?)? # same again except with lowercase letters
                         # the ? means 0 or 1 times

    inc\.     # match ' inc.'
   (?: ... )  # non-capturing group
   ( ... )    # capturing group (whole thing)
   x?          # match x optional
   x*          # in this case match x 0 or more times
   x+          # match x 1 or more times

re.findall(r"\b[A-Z0-9](?:\w|-)*\s+(?:(?:\w|-)+\s+)*inc\.", text)

re.findall(r"\b[A-Z0-9](?:\w|-)*\s+(?:(?:\w|-)+\s+)*(?:[Ii]nc?|[Ll]td|[Ss]ons)(?:\.|\b)?", text)