任何顺序的正则表达式可选捕获组

Question

我想根据以任意顺序连续出现的匹配组来捕获组。而当一个集合类型在没有替代集合类型的情况下重复时，替代集合返回为 nil。

我正在尝试根据以下正则表达式提取姓名和电子邮件：

对于名称，两个连续的大写单词：

[A-Z][\w]+\s+[A-Z][\w]+

对于电子邮件：

\b[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,4}\b

示例文本：

John Doe john@doe.com random text
Jane Doe random text jane@doe.com
jim@doe.com  more random text tim@doe.com Tim Doe

到目前为止，我已经使用非捕获组和积极的前瞻性来解决“无特定顺序或什至存在”的问题，但只能通过换行符分段来解决。所以我的正则表达式看起来像这样：

^(?=(?:.*([A-Z][\w]+\s+[A-Z][\w]+))?)(?=(?:.*(\b[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,4}\b))?).*

结果会漏掉同一行有多个联系人的项目：

[
  ["John Doe", "john@doe.com"],
  ["Jane Doe", "jane@doe.com"],
  ["Tim Doe", "tim@doe.com"],
]

当我正在寻找的是：

[
  ["John Doe", "john@doe.com"],
  ["Jane Doe", "jane@doe.com"],
  [nil, "jim@doe.com"],
  ["Tim Doe", "tim@doe.com"],
]

我在正则表达式方面的技能有限，我开始使用正则表达式，因为它似乎是匹配姓名和电子邮件的最佳工具。

如果我们以这种方式提取数百个联系人，正则表达式是解决此类问题的最佳工具还是使用循环的更有效替代方法？

Answer 1

您的文字已经太随意了，无法完成这项工作。有时甚至很难捕捉到更多的姓名和电子邮件。更高级的电子邮件模式只会有一点帮助。不仅有不寻常的电子邮件地址，还有各种狂野的名称模式。
D'arcy Bly、Markus-Anthony Reid、Lee Z 呢，这些可能是最简单的例子。

因此，除非您使用自然语言处理等更高级的技术，否则您必须做出很多假设并且不会完全满足。

如果你坚持你的方法，我想出了这个（没有牙齿的）怪物：

([A-Z]\w+ [A-Z]\w+)(?:\w* )*([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,4})|
([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,4})(?:\w* )*([A-Z]\w+ [A-Z]\w+)|
([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,4})

交替组的顺序对于捕获流浪电子邮件很重要。

Demo

PS：我使用分支重置仅在组 1 和 2 中捕获的演示。但是，看起来 Ruby 2.x 不支持分支重置组。因此，您需要检查所有 5 个组的值。

Answer 2

这是将 @wp78de 的想法重写为 Ruby 正则表达式语法：

regexp = /
    (?<name>
      [A-Z][\w]+\s+[A-Z][\w]+
    ){0}
    (?<email>
      \b[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,4}\b
    ){0}

    (?:
      \g<name> (?:\w*\s)* \g<email>
    | \g<email> (?:\w*\s)* \g<name>
    | \g<email>
    )
/x

text = <<-TEXT
John Doe john@doe.com random text
Jane Doe random text jane@doe.com
jim@doe.com  more random text tim@doe.com Tim Doe
TEXT

p text.scan(regexp)
# => [["John Doe", "john@doe.com"],
# =>  ["Jane Doe", "jane@doe.com"],
# =>  [nil, "jim@doe.com"],
# =>  ["Tim Doe", "tim@doe.com"]]