结合三个正则表达式

Question

有没有办法将以下三个表达式合并为一个正则表达式？

name = re.sub(r'\s?\(\w+\)', '',name) # John Smith (ii) --> John Smith
name = re.sub(r'\s?(Jr.|Sr.)$','', name, flags=re.I) # John Jr. --> John
name = re.sub(r'".+"\s?', '', name) # Dwayne "The Rock" Johnson --> Dwayne Johnson

Answer 1

您可以使用分组和管道：

re.sub(r'(\s?\(\w+\))|(s?(Jr.|Sr.))|(".+"\s?)', '', name)

Demo

Answer 2

如果你想获得一个有效的（并且大部分时间都在工作）模式，简单地用管道分离你的模式是一个坏主意。你必须重新考虑你想对你的模式做什么，并从头开始重写它。

p = re.compile(r'["(js](?:(?<=\b[js])r\.|(?<=\()\w+\)|(?<=")[^"]*")\s*', re.I)
text = p.sub('', text).rstrip()

这是一个很好的机会，可以批评您之前所写的内容：

• 使用可选字符\s?启动模式的速度很慢，因为必须使用和不使用此字符测试字符串中的每个位置。因此，最好在末尾捕获可选的空格并在之后修剪字符串。 （在所有情况下，即使您决定在开始时捕获可选空格，也需要修剪结果）
• 查找引用部分的模式是错误且低效的（当它起作用时），因为你使用带有贪心量词的点，所以如果在同一行中有两个引用部分（注意点不是' t匹配换行符）之间的所有内容也将匹配。最好使用不包含引号的否定字符类："[^"]*" （注意：这可以改进以处理引号内的转义引号）
• Jr.和Sr.的模式也是假的，以匹配您需要逃避它的文字.。除了 这种模式太不精确了，因为它之前没有检查是否有其他单词字符。它将匹配例如以“USSR”结尾的句子。或任何包含“jr”的子串。或“sr。”。 （要完全严谨，你必须检查之前是否有空格或字符串的开头，但是大部分时间都应该有一个简单的单词边界）

现在如何建立你的交替：

顺序可能很重要，特别是如果子模式不是mutualy排他性的。例如，如果你有子模式a+b和a+，如果你写a+|a+b，b之前的所有a将永远不会匹配，因为第一个分支以前成功了。但是对于你的例子，没有这种问题。

顺便说一句，如果你知道其中一个分支机构有更多机会成功，那就把它放在交替的第一个位置。

您知道搜索到的子字符串以以下字符之一开头："，(，j，s。在这种情况下，为什么不用["(js]开始模式，避免测试字符串中所有位置的模式的每个分支。 然后，由于已经消耗了第一个字符，因此您只需要使用lookbehind检查每个分支中哪些字符匹配。

通过这些小改进，您可以获得更快的模式。