Question

我正在进行网络抓取项目，我正试图从一系列照片标题中提取名称。我将标题存储为unicode字符串列表，例如：

Phil Collins, with Beth and Jerry Smith

我已经能够使用foo = re.compile(r" +with +|, +and +| +and +|, +")和re.split(foo)将字幕分成不同的名称，例如：

['Phil Collins', 'Beth', 'Jerry Smith']

不幸的是，我很难找到一种方法来分析Jane和Jerry Smith（我是正则表达式的新手），这种方式可以检测他们的姓氏并产生输出：

['Phil Collins', 'Beth Smith', 'Jerry Smith']

我能够使用Beth and Jerry Smith检测re.compile(r"[A-Z][a-z]+ +and +[A-Z][a-z]+ +[A-Z][a-z]+"，但我不确定检测到它后处理它的最佳方法。

我要解决的问题是，我需要遍历名单，检测'Beth'不是全名，读'Jerry Smith'，最后阅读并将'Smith'追加到'Beth “给我一份完整的清单：['Phil Collins'，'Beth Smith'，'Jerry Smith']

re中是否有一个方法可以将匹配的子字符串传递给函数，以便我可以修改它以包含Beth的姓氏？或者我是否正确地解决了这个问题？

Answer 1

您可以使用re.split和所有可能分隔符的较小RegEx来分割文本，而不是使用复杂的RegEx搜索名称和分隔符。

在这里，我看到的分隔符是：＆＃34;，＆＃34;和＆＃34;和＆＃34; （开头和结尾都有空格）。您可以通过加入每个分隔符来创建RegEx。

import re

text = "Phil Collins, with Beth and Jerry Smith"

delimiters = [r",\s+with\s+", "\s+and\s+"]
regex = "|".join(delimiters)
print(re.split(regex, text, flags=re.IGNORECASE))
# -> ['Phil Collins', 'Beth', 'Jerry Smith']

修改

加入＆＃34; Beth＆＃34;与＃34;史密斯＆＃34;和杰瑞＆＃34;使用＆＃34; Smith＆＃34;，您需要首先拆分＆＃34;使用＆＃34;，然后拆分并使用＆。

import re text = "Phil Collins, with Beth and Jerry Smith" for part in re.split(",\s+with\s+", text): first, last = re.findall(r"(\w+(?:\s+and\s+\w+)?)\s+(\w+)", part, flags=re.UNICODE)[0] names = re.split(r"\s+and\s+", first) result = [name + " " + last for name in names] print(result)

你得到：

['Phil Collins'] ['Beth Smith', 'Jerry Smith']

使用Python正则表达式检测照片标题中的伴侣

1 个答案: