多部分正则表达式：精确和非精确短语的混合

Question

我正在使用一些化学命名实体从语料库构建一个ML训练数据集

我提到化学背景的原因只是为了确保这是一个现实的例子，而不是一个虚构的例子

为此，我需要一个具有以下结构的正则表达式：

1-以化学式字符串“2h-四氮唑，2,2'-（3,3'-二甲氧基[1,1'-联苯]-4,4'-二酰基）双[3-（4-硝基苯基）-5-苯基-，氯化物（1:2）”开头
2-后跟0至15个字符
3-后跟化学代码字符串“298-83-9”
4-后跟0至15个字符
5-后跟非字母数字字符
6-后跟字符串“5”
7-以非字母数字值结束

我添加非字母数字要求#5和#7的原因是，要执行正则表达式搜索的文本是一个长而杂乱的文本，我想确保字符串“5”不是另一个实体的一部分，例如这两个示例：“bluh bluh 298-83-9 bluh bluh 564”或“bluh bluh 298-83-9 bluh bluh 645”

我的做法是建立一种如下的表达方式：

reg_exp = name_entity[0] + r".{0,15}\s*" + name_entity[1] + r".{0,15}\s*" + r"[^a-zA-Z\d]+" + name_entity[2] + r"[^a-zA-Z\d]+"

其中name_entity是包含要求1、3和6中的字符串的数组

然而，问题是需求1和3中的化学公式和代码有太多的转义、连字符等，以致于我的表达式不起作用。我需要一种方法来提示正则表达式，让它认为name_实体元素被视为完全是字面短语，而不包含一些正则表达式

如果这很重要，我将用Python编写代码

非常感谢您的帮助。在这里，我复制了多页长文本的一部分，该文本旨在包含正则表达式要查找的内容。我的python代码re.findall（reg_exp，text）应该查找的部分以粗体显示：

“成分物质/混合物的成分/信息：混合物物质名称：nbt/bcip储备溶液，mbf成分化学名称cas-no.浓度（%w/w）甲烷，1,1'-亚砜基-67-68-5>；=50-<；702h四氮唑，2,2'-（3,3'-二甲氧基[1,1'-联苯]-4,4'-二烷基）双[3-（4-硝基苯基）-5-苯基-，氯化物（1:2）”298-83-9>；=1-<；5实际浓度作为商业秘密被扣留第4节。急救措施一般建议：不要让受害者无人看管。安全数据表nbt/bcip储备溶液版本3.0修订日期：2019年9月25日”

Answer 1

这里有一些问题，但它适用于以下代码：

def new_regex(entity):
    return fr"{re.escape(entity[0])}.{{0,15}}\s*{re.escape(entity[1])}.{{0,15}}\s*[^a-zA-Z\d]+{re.escape(entity[2])}[^a-zA-Z\d]+"


entity = [
    "2h-tetrazolium, 2,2'-(3,3'- dimethoxy[1,1'-biphenyl]-4,4'- diyl)bis[3-(4-nitrophenyl)-5-phenyl-, chloride (1:2)",
    '298-83-9',
    '5'
]

n = "composition/information on ingredients substance / mixture : mixture substance name : nbt/bcip stock solution, mbf components chemical name cas-no. concentration (% w/w) methane, 1,1'-sulfinylbis- 67-68-5 >= 50 - < 70 2h-tetrazolium, 2,2'-(3,3'- dimethoxy[1,1'-biphenyl]-4,4'- diyl)bis[3-(4-nitrophenyl)-5-phenyl-, chloride (1:2) 298-83-9 >= 1 - < 5 actual concentration is withheld as a trade secret section 4. first aid measures general advice : do not leave the victim unattended. safety data sheet nbt/bcip stock solution version 3.0 revision date: 09-25-2019"

regex = new_regex(entity)
regex.findall(n)

#  ["2h-tetrazolium, 2,2'-(3,3'- dimethoxy[1,1'-biphenyl]-4,4'- diyl)bis[3-(4-nitrophenyl)-5-phenyl-, chloride (1:2) 298-83-9 >= 1 - < 5 "]

这是通过使用re.escape修复的，并且修复了化学公式中的一些空白问题。不过，您可能希望更改实体以更好地处理空白