python regex查找字段名称

Question

我试图爬网一个网站和解析板球记分板使用刮擦。除了接球的那场，我大部分时间都能做到。有几种方法可以找到文本，例如

1. c苏美亚萨卡b鲁贝尔侯赛因
2. Imrul Kayes b MOSADEK Hossain公司
3. c&b索迪酒店
4. c安德森b博尔特
5. c†伦顿b康明斯

这样做的目的是得到接球的外野手的名字，这意味着

• 苏米亚萨卡尔
• 伊姆鲁尔·凯斯
• 索迪
• 安德森

到目前为止，我已经想出了以下正则表达式

(c\s)([A-Za-z]*)
(c & b)(\s[a-zA-Z]*)

当我在捕手中只有姓氏的时候，比如安德森，索迪，它们就起作用了，但是它们和全名不起作用。我需要在单个组中捕获完整的名称，以便在后期使用。你知道吗

我知道这些可能不是完美的，所以任何对现有的建议也欢迎

编辑 增加了一个特殊的情况下，名称前面是匕首符号。你知道吗

Answer 1

你要找的正则表达式：

c(?: & b)? (.+?)(?: b |$)

首先有两个案例：

c或c & b

然后要匹配尽可能多的字符，直到找到b或行尾

下面是我使用python2.7得到的：

import re

pattern = re.compile('c(?: & b)? (.+?)(?: b |$)')

NAMES = ('c Soumya Sarkar b Rubel Hossain',
         'c Imrul Kayes b Mosaddek Hossain',
         'c & b Sodhi',
         'c Anderson b Boult',
         'c †Lenton b Cummins ')

for name in NAMES:
    w = pattern.match(name)
    print w.group(1)

输出：

Soumya Sarkar
Imrul Kayes
Sodhi
Anderson
†Lenton

Answer 2

你可以选择：

(?|                     # a so called "branch reset", only supported by the regex module
    c\                  # a "c "
    (?P<catcher>.{2,}?) # at least two characters, lazily -> group "catcher"
    \ b\                # followed by " b "
|                       # or
    c\ & \ b\           # "c & b "
    (?P<catcher>.+)     # capture the rest of the string -> group "catcher"
)

---

在Python代码中：

# the newer regex module
import regex as re

rx = re.compile(r'''
  (?|
  c\ 
  (?P<catcher>.{2,}?)
  \ b\ 
  |
  c\ & \ b\ 
  (?P<catcher>.+))
''', re.VERBOSE)

sampletext = """
c Soumya Sarkar b Rubel Hossain
c Imrul Kayes b Mosaddek Hossain
c & b Sodhi
c Anderson b Boult
"""

catchers = [m.group('catcher') for m in rx.finditer(sampletext)]
print(catchers)
# ['Soumya Sarkar', 'Imrul Kayes', 'Sodhi', 'Anderson']

看看working on regex101.com。
您需要有较新的regex模块（pip install regex）才能使此工作正常。你知道吗