用于解析姓氏具有前缀的名称的正则表达式

时间：2014-01-20 20:17:25

标签： c# regex parsing

我正在学习在RegexBuddy工作的正则表达式（c＃）（喜欢它）。我一直试图用非常具体的模式解析名称。我知道这不可能是完美的，但我认为我非常接近我想要完成的事情。

假设：

  1. 名称模式是FIRST [MIDDLE] LAST，全部大写，其中MIDDLE是可选的，没有标题或后缀
  2. 我想将FIRST和MIDDLE捕获到firstname值，并将LAST转换为lastname值
  3. FIRST和MIDDLE可以包含任意数量的单词
  4. 我知道我不能匹配多个字的姓氏（我没问题）除了2个案例：
    • 带有连字符的姓氏
    • 姓氏有前缀的名称（“EL GHAMRY SABE”，“DE AMORIM SILVA”，“DE LA HOYA”是我数据中的实际例子）

    5. 到目前为止，这是我的正则表达式（使用一些姓氏前缀）：

    ^(?<first>[ A-Z]+?) (?<last>(?<pfx>(?:(?:EL|DE|LA) )*)[A-Z\-]+?)$

    哪个效果很好（捕获第一个，最后一个和最后一个名字前缀）：

    JOHN SMITH
JOHN JAY SMITH
JOHN JAYEL SMITH
JOHN JAY SMITH-JONES
JOHN JAY JIMMY SMITH JONES  -- only "JONES" is in the last name, which is okay for this exercise
JOHN JAY EL AMIN
JOHN JAY DE LA HOYA  -- "DE LA HOYA" is the last name
JOHN JAY EL  -- a case where "EL" is actually the last name
JOHN EL AMIN

    但是这两个在姓氏前缀后面有多部分姓氏（在lastname字段中只捕获了最后一个单词）失败了：

    JOHN JAY EL GHAMRY SABE
CICERO JOSE TORRES DE AMORIM SILVA

    SO ... 2个问题：

    1. 我如何改变我的表达式，以便IF有一个姓氏前缀，包括在前缀（“EL”，“DE”，“LE”，“DE LA”等）之后的所有内容都包含在姓氏字段中，如果没有前缀，只有最后一个字包含在姓氏字段中？
    2. 在我还在学习的时候，你能否为我的正则表达式提出其他改进建议？

2 个答案:

答案 0 :(得分：1)

原始答案

您可以使用否定前瞻声明您匹配的下一个“中间名称”不是姓氏的前缀之一：

^(?<first>[A-Z]+(?:\s+(?!(?:EL|DE|LA)\s)[A-Z]+)*)\s+(?<last>[A-Z]+(?:(?:-|\s+)[A-Z]+)*)$

另请注意，我将空格的显式使用更改为\s，这被认为是一种很好的做法，因为大多数RegEx引擎都可以设置为完全忽略空格，以便能够更好地格式化表达式。在我的RegEx中，我坚持使用您的程序使用的语法，即使使用(?P<group_name>)可能更常见。

表现不佳的原因

我刚刚看到，在修复我所犯的错误时，你在执行RegEx时引入了巨大的开销。最初我的表达式按你的意图工作，但是它包含了最后一个中间名和第一个名字组中的姓氏之间的空格，为了解决这个问题，我稍微修改了表达式，修复了空间问题，但是我没有重新运行所有的测试，名称协会没有被我注意到。老实说，我只是阅读用连字符部分分隔的姓氏 - 即使这显然非常容易修复;）
回到我的主要观点：当您按预期使用RegEx功能时，您的版本在名字的每个字符后使用前瞻 - 即使只是在每个空格之后才需要！而且因为前瞻是一项非常昂贵的操作，这使得RegEx慢得多。

如何提高性能？

我自己修复了RegEx - 以一种保留前端操作数量较少的方式 - 当我在它的时候也改进了姓氏部分，因为我认为连字符应该只出现在字母之间而不是任何地方，即不是最后一个字符或空格之间。而且空间显然不应该是最后一个角色。

基准

为了证明我的RegEx（至少原始和我的固定版本）没有糟糕的性能我运行了一些基准测试和单元测试。如果你想自己运行测试以确保我没有作弊，你可以下载代码here;）测试是用Python编写的，但结果应该与其他RegEx引擎类似。

Timing RegEx by Ron Rosenfeld (^(?P<First>(?:[-A-Z\s](?!\b(?:DE\sLA|EL|DE|LE)\b))+)\s+(?P<Last>\b[-A-Z\s]+)$):
=====================

 * Took 0.159s to run test case "JOHN SMITH" 100000 times.
 * Took 0.198s to run test case "JOHN JAY SMITH" 100000 times.
 * Took 0.209s to run test case "JOHN JAYEL SMITH" 100000 times.
 * Took 0.273s to run test case "JOHN JAY SMITH-JONES" 100000 times.
 * Took 0.274s to run test case "JOHN JAY JIMMY SMITH JONES" 100000 times.
 * Took 0.135s to run test case "JOHN JAY EL AMIN" 100000 times.
 * Took 0.143s to run test case "JOHN JAY DE LA HOYA" 100000 times.
 * Took 0.130s to run test case "JOHN JAY EL" 100000 times.
 * Took 0.109s to run test case "JOHN EL AMIN" 100000 times.
 * Took 0.146s to run test case "JOHN JAY EL GHAMRY SABE" 100000 times.
 * Took 0.223s to run test case "CICERO JOSE TORRES DE AMORIM SILVA" 100000 times.
Took 2.001s to run all tests 100000 times.


Timing RegEx by Jim McMullen (^(?P<first>(?:(?!(?:EL|DE|LA)\s)[A-Z]+\s?)+)\s+(?P<last>[A-Z\-\s]+)$):
=====================

 * Took 0.634s to run test case "JOHN SMITH" 100000 times.
 * Took 0.649s to run test case "JOHN JAY SMITH" 100000 times.
 * Took 0.659s to run test case "JOHN JAYEL SMITH" 100000 times.
 * Took 0.793s to run test case "JOHN JAY SMITH-JONES" 100000 times.
 * Took 0.689s to run test case "JOHN JAY JIMMY SMITH JONES" 100000 times.
 * Took 0.118s to run test case "JOHN JAY EL AMIN" 100000 times.
 * Took 0.126s to run test case "JOHN JAY DE LA HOYA" 100000 times.
 * Took 0.168s to run test case "JOHN JAY EL" 100000 times.
 * Took 0.100s to run test case "JOHN EL AMIN" 100000 times.
 * Took 0.123s to run test case "JOHN JAY EL GHAMRY SABE" 100000 times.
 * Took 0.143s to run test case "CICERO JOSE TORRES DE AMORIM SILVA" 100000 times.
Took 4.201s to run all tests 100000 times.


Timing RegEx by Cu3PO42 (^(?P<first>[A-Z]+(?:\s+(?!(?:EL|DE|LA)\s)[A-Z]+)*)\s+(?P<last>[A-Z]+(?:(?:-|\s+)[A-Z]+)*)$):
=====================

 * Took 0.157s to run test case "JOHN SMITH" 100000 times.
 * Took 0.176s to run test case "JOHN JAY SMITH" 100000 times.
 * Took 0.178s to run test case "JOHN JAYEL SMITH" 100000 times.
 * Took 0.199s to run test case "JOHN JAY SMITH-JONES" 100000 times.
 * Took 0.229s to run test case "JOHN JAY JIMMY SMITH JONES" 100000 times.
 * Took 0.148s to run test case "JOHN JAY EL AMIN" 100000 times.
 * Took 0.172s to run test case "JOHN JAY DE LA HOYA" 100000 times.
 * Took 0.136s to run test case "JOHN JAY EL" 100000 times.
 * Took 0.112s to run test case "JOHN EL AMIN" 100000 times.
 * Took 0.175s to run test case "JOHN JAY EL GHAMRY SABE" 100000 times.
 * Took 0.200s to run test case "CICERO JOSE TORRES DE AMORIM SILVA" 100000 times.
Took 1.881s to run all tests 100000 times.

正如您所看到的，在修复我的RegEx时，您引入了超过100％（！）的开销。我的测试表明，在大多数测试用例中，我的RegEx实际上是最快的，也是最快的，同时提供了更多的功能（关于姓氏），这也消耗了处理时间。

答案 1 :(得分：1)

我会将所有前缀匹配作为名字（使用负面向前看），然后将该行的其余部分与姓氏匹配。

^(?<First>(?:[-A-Z\s](?!\b(?:DE\sLA|EL|DE|LE)\b))+)\s+(?<Last>\b[-A-Z\s]+)$
相关问题
最新问题