正则表达式提取首字母缩写词答案

【问题标题】：Regex to extract acronyms正则表达式提取首字母缩写词
【发布时间】：2018-11-05 06:30:53
【问题描述】：

我正在使用正则表达式从 python 中的文本中提取首字母缩写词（仅限特定类型）。

ABC（圆括号或方括号内或词尾之间的所有大写字母）
A.B.C（同上，但中间只有一个“.”）
A&B&C（同上，但中间只有一个“&”）

到目前为止我正在使用

text = "My name is STEVE. My friend works at (I.A.). Indian Army(IA). B&W also B&&W Also I...A"
re.findall('\\b[A-Z][A-Z.&]{2,7}\\b', text)

Output is : ['STEVE', 'I.A', 'B&W', 'B&&W', 'I...A']
I want to exclude B&&W and I..A, but include (IA).

我知道以下链接，但我无法正确使用它们。请帮忙。

Extract acronyms patterns from string using regex

Finding Acronyms Using Regex In Python

RegEx to match acronyms

【问题讨论】：

标签： regex python-3.x

【解决方案1】：

你想要的是一个大写字母，后面是一堆大写字母，中间有可选的点或＆符号。

re.findall('\\b[A-Z](?:[\\.&]?[A-Z]){1,7}\\b', text)

分解：

所有反斜杠都加倍，因为它们需要转义
\b字边框
[A-Z]首都
(?:开启非捕获组
[\.&] 包含. 和& 的字符类
? 可选
[A-Z] 后跟另一个大写
) 关闭非捕获组的可选. 或&，后跟大写字母
{1,7} 重复该组 1 - 7 次
\b字边框

我们需要一个非捕获组，因为re.findall 返回组（如果存在）。

有更好的方法来匹配适用于所有 Unicode 字符的大写字母。

这确实匹配B&WW和B&W.W，因为我们不会每次都强制使用（相同的）字符。如果你愿意，表达式会变得更复杂（虽然不多）。

【讨论】：

嗨@SQB 它只是从“STEVE”中捕获了 E，从“Army(IA)”中捕获了 A。我认为它只是捕获长度 {1, 7} Output - [('E', ''), ('A', '')] 内的匹配的最后一个字符
啊，当然。分组有干扰。 re.findall 如果存在则返回组，因此我将组更改为非捕获。我还将另一个组更改为字符类，因为它本来应该是。
这看起来不错。谢谢@SQB 只是为了澄清(?:[ 中的 ?: 用于非分组，&]?[A 中的 ? 用于 0 或 1 个匹配。我对么？？您是否还可以推荐一些对主正则表达式的良好参考。..

【解决方案2】：

如果大写字母之间必须只有&，或.或空字符串，并且它们可能出现不一致（如这个假的NA&T.O字符串），你可以使用

re.findall(r'\b[A-Z](?:[&.]?[A-Z])+\b', text)

请参阅regex demo。它匹配以单个大写字母开头的整个单词，然后包含一个或多个可选的& 或. 序列，后跟另一个大写字母。

在这里，我会建议

[x.group() for x in re.finditer(r'\b[A-Z](?=([&.]?))(?:\1[A-Z])+\b', text)]

或者，如果你见regex demo

模式详情

\b - 字边界
[A-Z] - 大写字母
(?=([&.]?)) - 包含一个捕获组的正向前瞻，该捕获组将可选的 & 或 . 字符捕获到第 1 组中
(?:\1[A-Z])+ - 出现一次或多次
- \1 - 相同的字符被捕获到第 1 组（所以，你不会得到 A.T&W）
- [A-Z] - 大写字母
\b - 字边界。

Python demo:

import re
rx = r"\b[A-Z](?=([&.]?))(?:\1[A-Z])+\b"
s = "My name is STEVE. My friend works at (I.A.). Indian Army(IA). B&W also B&&W Also I...A"
print( [x.group() for x in re.finditer(rx, s)] )
# => ['STEVE', 'I.A', 'IA', 'B&W']

【讨论】：