用于提取学院、大学和机构名称的正则表达式？

【问题标题】：Regex for extracting names of colleges, universities, and institutes?用于提取学院、大学和机构名称的正则表达式？
【发布时间】：2011-05-09 15:33:57
【问题描述】：

我在一个文件中有一堆这样的字符串：

M.S., Arizona University, Tucson, Az., 1957
B.A., American International College, Springfield, Mass., 1978
B.A., American University, Washington, D.C., 1985

我想提取塔夫茨大学、美国国际学院、美国大学、马萨诸塞大学等，但不提取高中（可以安全地假设，如果它包含“学院”或“高中”这是一所高中）。有什么想法吗？

【问题讨论】：

标签： regex web-scraping

【解决方案1】：

在 PHP 中使用preg_match_all 测试，适用于您提供的示例文本：

 /(?<=,)[\w\s]*(College|University|Institute)[^,\d]*(?=,|\d)/

如果您的正则表达式引擎不支持前瞻/后瞻，则需要进行一些修改。

更新：我查看了您的链接示例文本并相应地更新了正则表达式

 /([A-Z][^\s,.]+[.]?\s[(]?)*(College|University|Institute|Law School|School of|Academy)[^,\d]*(?=,|\d)/

第一部分将匹配以大写字母开头的字符串，可选地后跟.。然后是一个空格，然后是可选的(。此模式匹配零次或多次。

这应该得到关键字前面的所有相关词。

【讨论】：