Python中的正则表达式。有人能帮助新手吗？

这个简单的问题困扰着我。我之前发布了一些关于试图清理地址数据库的信息，有人建议GeoPy检查地址的有效性。我不知道这是一个很棒的工具，但在做这件事之前，我需要清理一下数据库，因为geopy不会处理混乱的格式。 解决方案是使用正则表达式，我想对于我在数据库中看到的大多数类型的地址，我都已经修复了正则表达式。 然而，我对我定义的最后一个RegExp（代码中称为r4）有问题，因为它正在重新调整第一个括号中我不需要的部分，我不知道为什么在它返回最后一个组（城市：伦敦，国家：英格兰）时会有额外的空格。 有人能帮忙吗

import re

r1 = '\s*ForeignZip.*--\s*([\d\.]+)'
r2 = '(\w+)\W*,\W*(\w*)'
r3 = '(?<=\().*?(?=\))'
r4 = '(\w+\W\()'

Location = ['   ForeignZip (xxx) -- 734.450','Washington, DC.','London (England)']

for item in Location:
    print item
    match1 = re.search(r1,item)
    match2 = re.search(r2,item)
    match3 = re.search(r3,item)
    match4 = re.search(r4,item)

    if match1:
        print 'pattern 1 found:', match1.group(1)

    elif match2:
        print 'pattern 2 found: City :' + match2.group(1) + ", State :" + match2.group(2)

    elif match3:
        print 'pattern 3 found: City: ', match4.group() + ", Country :" + match3.group(0)

    else:
        print 'no match'

让我们看看这个：

(\w+\W\()

首先，您正在保存一个引用，其中最外层的paren指向与它们内部匹配的任何对象，因此：

\w+\W\(

…请注意

\（

-它与文本打开参数匹配

另外，我不是Python高手，但这里的逗号是不是碰巧应该是加号

City: ', match4.group() + ...

---

它返回括号，因为它是模式的一部分：

\（

您可以这样做：

r4 = '(\w+\W)\('
[...]
print 'pattern 3 found: City: ', match4.group(1)

---

将r4更改为以下内容

r4 = '\w+\W'

也在,

elif match3:
        print 'pattern 3 found: City: ', match4.group() + ", Country :" + match3.group(0)

你在城市后面放了一个“，”而不是放空格的“+”。把它改成如下

elif match3:
        print 'pattern 3 found: City: ' + match4.group() + ", Country :" + match3.group(0)

---

只需对以后的正则表达式进行一点更改是必要的……可能有一百万种方法可以做到这一点，但这里有一种：

r3 = r'(\w+)\s+\((\w+)\)'   #Match a word (group1), whitespace followed by a '(' then another word (group2) and finally a closing ')'

或者使空白完全不重要：

r3 = r'(\s*(?:\w+\s*)*)\s*\(\s*((?:\w+\s*)+)\s*\)'

它基本上是以前的正则表达式，只是它将

\w+

替换为

（？：\w+\s*）*

，它允许多个单词匹配，但不捕获它们——它使“组”保持不变，因为

（？：…）

从不将匹配的字符串保存到任何地方

现在将第三个测试更改为：

elif match3:
    print 'pattern 3 found: City : '+ match3.group(1) + ", Country :" + match3.group(2)

我还删除了r4，因为不再需要它了…（为了保持一致性，我还将“，”改为“+”，并在“城市：”中添加了一个空格）

还请注意，在处理正则表达式时，使用“原始”字符串通常很好（这可以防止python损坏字符串中的标记。要测试差异，请尝试：

print ("\n")  #prints newline
print (r"\n") #prints "\n"

如果处于循环中，则re.compile会加快速度

大型正则表达式非常高效

一个小组记录可以告诉你在哪里找到了东西

#

---

您的主要问题是

\（

在您的捕获组中。如果您不想将其包括在捕获组中，但仍想使用它进行匹配，请将其放在正则表达式的括号外。此外，评估所有4种模式的效率也很低。为什么不在运行每个正则表达式后检查是否找到匹配项，这样，如果您找到了与第一个pa的匹配项泰伦，你可以避免评估所有其他模式。太好了！！谢谢你的反馈！当然，没问题。一定要看到另一个答案…它们解释了你表现得非常好的行为（特别是为什么你有一个尾随括号）。我只是用我的方式写我的答案，因为使用2个“R”似乎是一种浪费（使用lookahead和lookahead--yuck）太复杂了，因为只有一个re（没有lookahead/behind）。谢谢！我没有注意到“，”。反馈太好了！非常好的解决方案。此模板将在我的项目的其他部分帮助我很多。谢谢。干杯！

print ("\n")  #prints newline
print (r"\n") #prints "\n"

finder = re.compile('\s*ForeignZip.*--\s*(?P<fzip>[\d\.]+)|(?P<uscity>\w+)\W*,\W*(?P<state>\w*)|(?P<fcity>\w+)\W*\((?P<country>\w*)\)')
[finder.match(l).groupdict() for l in ll]

[{'country': None,
  'fcity': None,
  'fzip': '734.450',
  'state': None,
  'uscity': None},
 {'country': None,
  'fcity': None,
  'fzip': None,
  'state': 'DC',
  'uscity': 'Washington'},
 {'country': 'England',
  'fcity': 'London',
  'fzip': None,
  'state': None,
  'uscity': None}]