问题描述
- XXX/X{3,6}
- XXX.X{3,6}/XXX
正则表达式需要足够强大，这样我们就不会提取另一个字符串中的代码。使用单词边界是我的第一个想法。
正则表达式如下所示：\b\d{3}[\.\/]\d{3,6}(?:\/\d{3})?\b
单词边界的问题在于它也匹配点。因此，像“123/456.12”这样的数字将匹配“123/456”作为客户端号码。于是我想出了以下正则表达式：(?<!\S)\d{3}[\.\/]\d{3,6}(?:\/\d{3})?(?!\S)。它使用后视和前视并检查该字符是否为空白。这与大多数客户端代码正确匹配。
但是还有最后一个问题。我们正在使用 Google OCR 文本从中提取代码。这意味着可以在 123/456\n、\n123/456、\n123/456\n 等文本中找到有效代码。检查前一个和/或下一个字符是否为空格不起作用，因为文字“\n”不包括在此。如果我将 (?<!\S|\\n) 之类的内容作为单词边界，它还会出于某种原因包含反斜杠和/或正斜杠。目前我想出了以下正则表达式 (?<![^\r\n\t\f\v n])\d{3}[\.\/]\d{3,6}(?:\/\d{3})?(?![^\r\n\t\f\v \\])，但它只检查前一个字符是“n”还是空格，下一个是反斜杠或空格。所以像 "lorem\123/456" 这样的字符串仍然会找到匹配项。我需要一些方法来在空白字符中包含“\n”而不破坏前瞻/后视。
你们知道如何解决这个问题吗？感谢所有输入。谢谢！
解决方法
您似乎想从空白边界中减去 \n。你可以使用
re.findall(r'(?<![^\s\n])\d{3}[./]\d{3,6}(?:/\d{3})?(?![^\s\n])',text)
参见 Python demo 和 this regex demo。
如果 \n 是 \ 和 n 字符的组合，您需要确保环视中的 \S 不匹配那些：
import re
text = r'Codes like 123/456\n \n123/3456 \n123/23456\n etc are correct \n333.3333/333\n'
print( re.findall(r'(?<!\S(?<!\\n))\d{3}[./]\d{3,6}(?:/\d{3})?(?!(?!\\n)\S)',text) )
# => ['123/456','123/3456','123/23456','333.3333/333']
详情：
-
(?<![^\s\n])- 负向后视匹配一个位置，该位置之前没有紧跟一个除空格和 LF 字符以外的字符 -
(?<!\S(?<!\\n))- 左空白边界，如果非空白是n字符组合中的\n，则不会触发 -
\d{3}- 数字 -
[./]-.或/ -
\d{3,6}- 三到六位数字 -
(?:/\d{3})?-/和三位数字的可选序列 -
(?![^\s\n])- 负向前瞻，除了紧邻当前位置右侧的空格和 LF 之外，不需要任何字符。 -
(?!(?!\\n)\S)- 右空白边界，如果非空白是\字符后跟n，则不会触发。