使用正则表达式从特定子字符串后提取目标字符串

聖光之護

发布时间：2025-10-15 10:14:22

360人浏览过

来源于php中文网

原创

使用正则表达式从特定子字符串后提取目标字符串

本文详细介绍了如何利用正则表达式从结构化文本中高效提取特定信息，例如从包含姓名和姓氏并由独特分隔符连接的字符串中，准确捕获姓名和姓氏。通过解析输入模式、构建捕获组以及使用全局匹配，读者将学会如何编写健壮的正则表达式来解决类似的数据提取问题，并提供了具体的javascript代码示例。

在处理从非结构化或半结构化数据源（如PDF解析结果）中提取特定信息时，正则表达式（RegExp）是一种极其强大的工具。本教程将以一个具体场景为例，演示如何从形如“姓名 • • • • • 姓氏”的文本中，准确地分离出姓名和姓氏。

理解数据模式

首先，我们需要仔细分析待处理的字符串模式。假设我们有以下形式的输入数据：

Name1 • • • • • Surname1 Name2 • • • • • Surname2

我们可以观察到几个关键元素：

姓名 (Name)：通常由一个或多个单词组成。
分隔符 (Delimiter)：由五个点号•以及其前后的空格组成，例如• • • • •。
姓氏 (Surname)：通常也由一个或多个单词组成。
重复模式：整个“姓名 • • • • • 姓氏”的结构会在字符串中重复出现。

本教程将以姓氏为一个单词的情况为例进行讲解。

靠岸学术

一款集翻译，阅读，文献管理于一体的英文文献阅读器

下载

构建正则表达式

基于上述模式分析，我们可以逐步构建一个能够捕获姓名和姓氏的正则表达式。

匹配姓名或姓氏（单词）： \w+：这个元字符\w匹配任何字母、数字或下划线。+表示匹配一个或多个这样的字符。因此，\w+可以很好地匹配单个单词的姓名或姓氏。
匹配分隔符：分隔符是• • • • •。在正则表达式中，空格需要显式匹配，而•字符是普通字符，可以直接匹配。 \s+：匹配一个或多个空白字符。所以，分隔符的模式可以写为\s+•\s+•\s+•\s+•\s+•\s+。
创建捕获组：为了能够提取出姓名和姓氏，我们需要将它们放在括号()中，这会创建“捕获组”。第一个捕获组用于姓名：(\w+) 第二个捕获组用于姓氏：(\w+)
组合正则表达式：将所有部分组合起来，并考虑整个模式的重复性。完整的正则表达式为：(\w+)\s+•\s+•\s+•\s+•\s+•\s+(\w+)
添加全局匹配标志：由于我们的输入字符串中可能包含多对姓名和姓氏，我们需要使用g（全局）标志，以便正则表达式引擎能够找到所有匹配项，而不仅仅是第一个。最终的正则表达式对象将是：/(\w+)\s+•\s+•\s+•\s+•\s+•\s+(\w+)/g

示例代码与实现

以下是使用JavaScript实现此数据提取的示例代码：

const inputString = "Tom • • • • • Hanks Morgan • • • • • Freeman Robert • • • • • Redford";
// 定义正则表达式，g 标志表示全局匹配
const regex = /(\w+)\s+•\s+•\s+•\s+•\s+•\s+(\w+)/g;
const matches = [];
let match;

// 使用 while 循环和 regex.exec() 遍历所有匹配项
while ((match = regex.exec(inputString)) !== null) {
  // match[0] 是整个匹配的字符串
  // match[1] 是第一个捕获组（姓名）
  // match[2] 是第二个捕获组（姓氏）
  const name = match[1];
  const surname = match[2];
  matches.push({ name, surname });
}

console.log(matches);
/* 预期输出:
[
  { name: 'Tom', surname: 'Hanks' },
  { name: 'Morgan', surname: 'Freeman' },
  { name: 'Robert', surname: 'Redford' }
]
*/

代码解析

regex.exec(inputString)：这个方法在每次调用时都会尝试在inputString中查找下一个匹配项。如果找到，它会返回一个数组，其中包含完整的匹配字符串以及所有捕获组的内容；如果没有找到，则返回null。
while ((match = regex.exec(inputString)) !== null)：这个循环会持续执行，直到exec()方法不再找到新的匹配项为止。
match[1] 和 match[2]：分别对应正则表达式中第一个和第二个括号()捕获的内容，即姓名和姓氏。

注意事项与扩展

多词姓名/姓氏：如果姓名或姓氏可能包含多个单词（例如“Mary Jane”或“Van der Beek”），则\w+可能不足。您可能需要修改为([\w\s]+)来匹配包含空格的单词，或者更精确地定义姓名和姓氏的边界。例如，如果姓名和姓氏之间总是只有一个分隔符，并且它们本身不会包含分隔符，那么([^•]+)（匹配除•以外的任何字符）可能更通用。
分隔符变化：如果分隔符的格式可能变化（例如，有时是三个点，有时是五个点），则需要相应地调整分隔符的正则表达式。
性能：对于非常大的文本文件，正则表达式的性能可能成为一个考虑因素。优化正则表达式以减少回溯（backtracking）可以提高效率。
错误处理：在实际应用中，应考虑当输入字符串不符合预期模式时如何处理（例如，matches数组可能为空）。