我正在解析地址，需要在分开的匹配中获取地址和国家/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,
依旧......
所以，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（至少是更可能出现的国家/地区名称），由OR运算符分隔，如下所示：
germany|us|france|chile
但问题在于多字国家/地区名称及其较短版本，例如：
Republic of Moldova和Moldova
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'
由于有几种情况，这是我到目前为止所使用的：
^(.*),? \(?(republic of moldova|moldova)\)?(.*[\d\-]+.*|,.*[:/].*)?$
由于我们可能在国名后面有传真，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删除它们：
(.*[\d\-]+.*|,.*[:/].*)?
此外，有时国家名称括在括号中，因此我在第二个匹配组周围有\(?和\)?，所有国家/地区都在其中：
(republic of moldova|moldova|...)
问题是，当存在一个较大的子集的条目时，选择较短的条目，其余部分保留在base_address字符串中。 有没有办法告诉正则表达式选择两个值何时匹配最大可能的匹配？
正如m.buettner所建议的那样，将第一个匹配组从(.*)更改为(.*?)确实修复了当前问题，但它也创建了另一个。考虑其他例子：
'新加坡国立大学化学系，4512436新加坡'
匹配
'Department of Chemistry, National University of'
'Singapore'
现在它很快就匹配了。
答案 0 :(得分：6)
您的问题是greediness。
开头的.*权限尝试尽可能匹配。这就是字符串结尾之前的一切。但是你的其他模式失败了。因此引擎回溯并丢弃与.*匹配的最后一个字符并再次尝试其余模式（仍然失败）。引擎将重复此过程（失败匹配，回溯/丢弃一个字符，再次尝试），直到它最终与模式的其余部分匹配。第一次出现这种情况时.*匹配Moldova以外的所有内容（因此.*仍然消耗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不重复地重复：
^(.*?)...
请注意，量词之后的问号并不意味着“可选”，而是使其“不合适”。这简单地反转了行为：引擎首先尝试完全忽略.*，并且在回溯过程中，在每次尝试匹配模式的其余部分失败后，它还包含一个字符。
修改
通常有更好的替代方法。正如您在评论中所述，不合理的解决方案带来了另一个问题，即字符串的早期部分中的国家/地区可能会匹配。你可以做的是使用lookarounds确保国家之前或之后没有单词字符（字母，数字，下划线）。这意味着，只有匹配的国家/地区字词，如果它被逗号或字符串的任何一端包围：
^(.*),?(?<!\w)[ ][(]?(c|o|u|n|t|r|i|e|s)[)]?(?![ ]*\w)(.*[\d\-]+.*|,.*[:/].*)?$
由于外观实际上不是比赛的一部分，因此它们不会干扰您的模式的其余部分 - 它们只是检查比赛中特定位置的状况。我添加的两个外观确保：
请注意，我在字符类中包含空格，以及字面括号（而不是转义它们）。两者都没有必要，但我更喜欢这些可读性，所以它们只是一个建议。
编辑2：
正如评论中提到的那样，如何不使用仅使用正则表达式的解决方案？
您可以在,上拆分字符串，然后修剪每个结果，并针对您的国家/地区列表（可能使用正则表达式）进行检查。如果您的地址中的任何组成部分与您所在的国家/地区相同，则可以退回该地址。如果存在倍数，那么至少可以检测出歧义并正确处理它。
答案 1 :(得分：1)
对正则表达式中的所有备选方案进行排序，只需按照排序（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在原子组中尝试其他替代方案，所以你有所有选择排序，匹配将永远是最长的。
多田。