代码之家 › 专栏 › 技术社区 › sisanared

用于名称标准化的python正则表达式

regex python

sisanared · 技术社区 · 8 年前

我试图编写一个正则表达式来规范名称。

用例:

J. J. Abrams -> JJ Abrams
J J Abrams -> JJ Abrams
J.J Abrams -> JJ Abrams
J.J. Abrams -> JJ Abrams
J J  Abrams -> JJ Abrams (multiple spaces)

缩写可以出现在名称的末尾或中间。通常,首字母可以在其前后有空格或“.”或单词边界。

所以我提出了以下建议:

p = re.compile(r'((\b|\s+|\.)[a-z](\.|\s+|\b))', re.I)

当我试图匹配并打印结果时,它看起来是错误的:

p.subn(lambda g: g.groups()[0].strip().strip('.'), "J J Abrams")
('JJAbrams', 2)

如何保留非初始部分之前(或之后)的空间?

编辑而且,我应该说得很清楚,名字中可以有两个以上的首字母。以上只是一个随机用例。谢谢

5 回复 | 直到 8 年前

SamWhan 8 年前

对于给定的情况,替换

(?<=\b[A-Z]\b)[. ]+(?=[A-Z]\b)|\.|(\s)\s+

具有

$1

应该这么做。

它匹配,使用交替,空间和点之间的缩写,点任何地方或一个以上的空间。后者占据了第一个空间。

替换为 $1 从前两个替换项中删除匹配项,在第三种情况下(多个空格)用单个替换项(捕获的第一个空格)。

See it here at regex101 .

Allan 8 年前

我认为您可以通过使用regex分两步完成:

步骤1:

正则表达式:

 +|\. *

和替换 (一个空格)


   
    
     
      step 1 demo
     
    
   
   
    
     步骤2:
    
   
   
    正则表达式:
   
   \b([a-z]) ([a-z])\b

   
    替换:
    
     \1\2
    
   
   
    
     
      step 2 demo
     
    
   
   
    把你拥有的一切结合起来:
   
   
    
     输入文件:
    
   
   $ cat names
J. J. Abrams
J J Abrams
J.J Abrams
J.J. Abrams
J J  Abrams
J  Abrams J.
Abrams J. J.
Abrams J J

   
    
     Python代码:
    
   
   $ cat names_norm.py 
import re
import sys

with open("names") as file:
        for line in file:
                line = re.sub(r" +|\. *", " ", line)
                line = re.sub(r"\b([a-zA-Z]) ([a-zA-Z])\b", "\g<1>\g<2>", line)
                sys.stdout.write(line)
sys.stdout.flush()

   
    
     输出:
    
   
   $ python names_norm.py                                                                                                           
JJ Abrams
JJ Abrams
JJ Abrams
JJ Abrams
JJ Abrams
J Abrams J 
Abrams JJ 
Abrams JJ

Austin 8 年前

用途:

re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)

代码 :

>>> s = 'J. J. Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

>>> s = 'J J Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

>>> s = 'J.J Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

>>> s = 'J.J.  Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

>>> s = 'J J      Abrams'
>>> re.sub(r'(?<!\w)([A-Z])\.*\s*(?<!\w)([A-Z])\.*\s*([A-Za-z]*)', r'\1\2 \3', s)
JJ Abrams

NeverHopeless 8 年前

您可以尝试查找所有连续的字母表并使用以下格式打印:

import re
if __name__=='__main__': 
    names = ["J. J. Abrams", "J J Abrams", "J.J Abrams", "J.J. Abrams", "J J  Abrams", "J J J  Abrams"]
    for name in names:
        res = re.findall("([a-z]+)", name, re.I)       #Find all continuous alphabets
        res.insert(len(res)-1, " ").                   #Insert <space> at second last position 
        print("res : %s" % ("".join(map(str, res))))   #Join and display list which is formatted

结果:

res : JJ Abrams
res : JJ Abrams
res : JJ Abrams
res : JJ Abrams
res : JJ Abrams
res : JJJ Abrams

Sven Krüger 8 年前

因为您只想过滤掉“.”和某些位置的空白,所以我建议您只使用标准字符串方法。

用一个空格替换所有点字符。
迭代所有由空格分隔的子字符串-每个被剥离从前导空格和尾随空格
在长度超过一个字符的元素中添加一个前导空格和一个尾随空格。
把零件重新组装起来,不要留空隙。
从前导和尾随空格字符中删除整个字符串。

为了你的高兴,我把它写成了一个完全不可读的单行本。

names = ['J. R. R. Tolkien',  # "." and " "
         'Abrams  J J',       # " "
         'J.J Abrams',        # "." inbetween
         'J.R.R. Tolkien',    # "."
         'J R.R Tolkien']     # mixed

for name in names :
    name = "".join([(" {} ".format(elem)) if len(elem)>1 else elem for elem in name.replace('.', ' ').split()]).strip()

    print name

这就产生了这个输出。

JRR Tolkien
Abrams JJ
JJ Abrams
JRR Tolkien
JRR Tolkien

编辑

@clasg的解决方案可能也不可读。但我的解决方案甚至需要两倍的计算时间。

Elapsed time, mean value: 6.92432632016e-06
Elapsed time, mean value: 1.5598555044e-05