Python 正则表达式跳过可选组

Question

我正在尝试从字符串中提取医生的姓名和职称。如果字符串中有“dr”，我希望它使用它作为标题，然后使用下一个词作为医生的名字。但是，我还希望正则表达式与其中没有“dr”的字符串兼容。在这种情况下，它应该只匹配第一个单词作为医生的名字，而不假定任何标题。

我想出了以下正则表达式模式:

pattern = re.compile('(DR\.? )?([A-Z]*)', re.IGNORECASE)

据我了解，这应该可以选择匹配字母“dr”(带或不带句点)，然后是一个空格，后跟一系列字母，不区分大小写。问题是，如果它位于字符串的开头，它似乎只会选择可选的“dr”标题。

import re
pattern = re.compile('(DR\.? )?([A-Z]*)', re.IGNORECASE)
test1 = "Dr Joseph Fox"
test2 = "Joseph Fox"
test3 = "Optometry by Dr Joseph Fox"
print pattern.search(test1).groups()
print pattern.search(test2).groups()
print pattern.search(test3).groups()

代码返回:

('Dr ', 'Joseph')
(None, 'Joseph')
(None, 'Optometry')

前两个场景对我来说很有意义，但为什么第三个场景找不到可选的“博士”？有什么办法可以做到这一点吗？

Answer 1

您会看到这种行为，因为正则表达式倾向于贪婪并接受第一个可能的匹配项。因此，您的正则表达式只接受第三个字符串的第一个单词，没有匹配第一组的字符，这是可选的。您可以使用 findall 正则表达式函数来查看:

>>> print pattern.findall(test3)
[('', 'Optometry'), ('', ''), ('', 'by'), ('', ''), ('Dr ', 'Joseph'), ('', ''), ('', 'Fox'), ('', '')]

很明显，“Dr Joseph”已成功找到，但不是字符串的第一个匹配部分。

根据我的经验，试图强制正则表达式表达/捕获多个案例通常需要难以理解的正则表达式。具体回答你的问题，我更愿意通过一个需要“博士”标题的正则表达式来运行字符串，如果我没有得到任何匹配项，只需按空格分开并取第一个词(或者你想去获取第一个词)。