在正则表达式中组合paren和单词边界

Question

我有一个字符串，其中包含几种类型的个人识别信息（PII）：

text = 'Hello my name is Tom and I love Tomcat. My email address is tom@foo.bar and my phone number is (201) 5550123.'

我还有一个要从字符串中删除的PII列表：

values = ['Tom', 'tom@foo.bar', '(201) 5550123']

我希望将这些值组合到一个正则表达式中，并一次性替换它们，而不是在这些值上循环，一次替换一个：

escaped_values = [r'\b' + re.escape(value) + r'\b' for value in values]
combined_pattern = '|'.join(escaped_values)
combined_regex = re.compile(combined_pattern)

单词边界很重要，因为我不想把“Tom”从“Tomcat”中去掉，除非它自己出现。不管怎么说，除了电话号码之外，这几乎是可行的：

combined_regex.sub('', text)
# 'Hello my name is  and I love Tomcat. My email address is  and my phone number is (201) 5550123.'

我有点孤立这个问题。这与paren和单词边界的组合有关：

re.compile(r'\b\(201\)\ 5550123\b').sub('', 'before (201) 5550123 after')
# 'before (201) 5550123 after'

这不是Python的问题，从这里可以看出：

我知道有很多方法可以改变我的程序，但我不明白为什么这个正则表达式不起作用，它让我发疯

Answer 1

您可以使用：

import re

text = 'Hello my name is Tom and I love Tomcat. My email address is tom@foo.bar and my phone number is (201) 5550123.'
values = ['Tom', 'tom@foo.bar', '(201) 5550123']
escaped_values = [re.escape(value) for value in values]
combined_pattern = r'(?<!\w)(?:' +'|'.join(escaped_values) + r')(?!\w)'
combined_regex = re.compile(combined_pattern)

print (combined_pattern)
print()
print (combined_regex.sub('', text))

输出：

(?<!\w)(?:Tom|tom@foo\.bar|\(201\)\ 5550123)(?!\w)

'Hello my name is  and I love Tomcat. My email address is  and my phone number is .'

注意此处使用的组合正则表达式：

(?<!\w)(?:Tom|tom@foo\.bar|\(201\)\ 5550123)(?!\w)

RegEx Demo

正则表达式解释：

• (?<!\w)：负查找，用于断言当前位置之前没有单词字符
• (?:：启动非捕获组
  • Tom|tom@foo\.bar|\(201\)\ 5550123：匹配其中一个子串，用|分隔（交替）
• )：结束非捕获组
• (?!\w)：负前瞻，断言当前位置后没有单词字符