正则表达式 - 查找包含至少 1 个大写字母、一位数字或一个特殊字符的连续“单词”

Question

我正在尝试提取至少包含以下一项的单词序列：

• 大写字母。
• 数字
• '：' 或者 '-'

例如对于以下短语：

• aBC 一直在联系 Maria 和 James，他们的系统 DB-54:ABB 的 DDD 代码是 12343-4。

我想提取以下项目：

• 广播公司
• 玛丽亚
• 詹姆士
• DDD代码
• DB-54：ABB
• 12343-4

到目前为止，我有以下代码：

import re
re.findall(r'((\S*[A-Z|0-9|\:|\-]\w*)([\, |\.])?)', 'aBC has been contacting Maria and ere our DDD Code for system DB-54:ABB is 12343-4.')

哪个返回：

[('aBC ', 'aBC', ' '),
 ('Maria ', 'Maria', ' '),
 ('DDD ', 'DDD', ' '),
 ('Code ', 'Code', ' '),
 ('DB-54:ABB ', 'DB-54:ABB', ' '),
 ('12343-4.', '12343-4', '.')]

这将返回所有需要的项目，除了它正在拆分 DDD 和代码。 我的目标是将包含上述项目的连续单词组合在一起。 'DDD' 'Code' 都是大写字母，而且是连续的，应该属于同一个字符串

Answer 1

您可以添加+来重复该模式。 我对它进行了一些简化，因为您在不需要的地方使用了反斜杠。 这将产生您想要的 6 个捕获组：

((\S*[A-Z0-9:-]\w*)($|[ ,.]))+

演示

放入代码：

import re

m = re.findall(r'(((\S*[A-Z0-9:-]\w*)($|[ ,.]))+)',
               'aBC has been contacting Maria and James where their DDD Code for system DB-54:ABB is 12343-4.')

print(m)

Output：

[('aBC ', 'aBC ', 'aBC', ' '),
 ('Maria ', 'Maria ', 'Maria', ' '),
 ('James ', 'James ', 'James', ' '),
 ('DDD Code ', 'Code ', 'Code', ' '),
 ('DB-54:ABB ', 'DB-54:ABB ', 'DB-54:ABB', ' '),
 ('12343-4.', '12343-4.', '12343-4', '.')]

Answer 2

这不会拆分连续的比赛

result = re.findall(r'(?:[\w0-9]*[A-Z0-9\-:]+[\w0-9]*\s*)+', text)

但是您可能必须去除空格

map(str.strip, result)