Python正则表达式提取文本出现多余字符，求优化解决

问题分析 #

你的原正则表达式因字符集包含逗号、括号等分隔符，且未排除(In Relation)这类不需要的后缀，导致匹配出多余的(, ,等无效内容。我们可以通过两种方式调整逻辑，得到符合预期的结果。

方案一：分割条目后清理后缀（简单直观） #

先按逗号拆分每个公司条目，再单独去除每个条目末尾的(In Relation)后缀，保留合法的年份括号（如(2005)）：

import re

def extract_name(title):
    # 按逗号分割并去除每个条目的前后空格
    companies = [comp.strip() for comp in title.split(',')]
    cleaned_companies = []
    for comp in companies:
        # 替换掉末尾的 (In Relation) 部分
        cleaned = re.sub(r'\s+\(In Relation\)$', '', comp)
        cleaned_companies.append(cleaned)
    return ', '.join(cleaned_companies) if cleaned_companies else None

测试验证：

test_input = "THETA COMMERCIALS (2005) LIMITED, TEST CONNECTIONS LTD (In Relation), NANO CARE LIMITED (In Relation)"
print(extract_name(test_input))
# 输出：THETA COMMERCIALS (2005) LIMITED, TEST CONNECTIONS LTD, NANO CARE LIMITED

方案二：精准正则一次性匹配 #

用正则直接匹配所有符合要求的公司名称，排除(In Relation)后缀，同时避免匹配分隔符：

import re

def extract_name(title):
    # 正则逻辑：匹配逗号后/开头的公司名称，排除末尾的(In Relation)
    pattern = r'(?<=,|^)\s*([A-Z0-9\s&.,()-]+?)(?=\s*\(In Relation\)(?:,|$)|,|$)'
    matches = re.findall(pattern, title)
    # 清理每个匹配结果的前后空格
    cleaned_matches = [match.strip() for match in matches]
    return ', '.join(cleaned_matches) if cleaned_matches else None

正则解释：

• (?<=,|^)：匹配位置在逗号之后或字符串开头
• [A-Z0-9\s&.,()-]+?：非贪婪匹配公司主体内容（允许字母、数字、空格、&、.、,、()、-）
• (?=\s*\(In Relation\)(?:,|$)|,|$)：正向预查，确保后面是(In Relation)+逗号/结尾，或者直接是逗号/结尾，避免包含无效后缀

内容的提问来源于stack exchange，提问作者Totura