正则表达式提取姓名：排除头衔并支持多姓名与双姓

需要从700份格式一致但数据不同的PDF文件中提取姓名及其他数据。使用PDFPig提取PDF文本后，通过正则表达式提取特定内容，但当前正则未覆盖以下两种场景，导致提取错误：

• （a）支持多姓名/双姓（如示例中的Helen King作为姓氏）
• （b）排除姓名前缀的Mr、Mrs、Miss等头衔（当前会把Ms误识别为名）

当前正则表达式：

"\b[A-ZÜÄÖ][a-züßäö]{3,}\s[A-ZÜÄÖ][a-züßäö]{3,}\b"

代码上下文：

private void name_extraction()
{
    string namePattern = @"\b([A-ZÜÄÖ][a-züßäö]+)\s+(?:[A-ZÜÄÖ][a-züßäö]+\s*)*([A-ZÜÄÖ][a-züßäö]+)\b";    /*@"\b[A-ZÜÄÖ][a-züßäö]{3,}\s[A-ZÜÄÖ][a-züßäö]{3,}\b";*/
    
    Regex nameRegex = new Regex(namePattern);
    Match nameMatch = nameRegex.Match(parsed_text.ToString());

    if (nameMatch.Success)
    {
        string extractedName = nameMatch.Value;
        int spaceIndex = extractedName.IndexOf(' ');
        string firstName = extractedName.Substring(0, spaceIndex);
        string lastName = extractedName.Substring(spaceIndex + 1);
        extracted_data["FirstName"] = firstName;
        extracted_data["LastName"] = lastName;
        account_year_extraction();
    }
    else
    {
        MessageBox.Show("Name was not extracted!" + "\n" + "Check formatting of input file.");
    }
}

输入文本示例：

Confidential - Ms Jennifer Helen King - account type and date.

期望输出：

FirstName: Jennifer

LastName: Helen King

实际错误输出：

FirstName: Ms

LastName: Jennifer Helen King Re Mrs

咨询：是否可通过正则表达式实现排除头衔、支持双姓的姓名提取，还是需提取后再做后续处理？

可以通过优化正则表达式直接实现排除头衔+支持多姓名/双姓的提取，无需额外后续处理，具体调整如下：

1. 核心思路 #

• 先定义需要排除的头衔列表（Mr、Mrs、Ms、Miss等），用负向预查排除这些前缀
• 允许姓名中包含多个中间名/双姓，同时区分名和姓的结构（示例中Jennifer是名，Helen King是双姓）

2. 调整后的正则表达式 #

@"\b(?!(Mr|Mrs|Ms|Miss)\s)[A-ZÜÄÖ][a-züßäö]+\s+((?:[A-ZÜÄÖ][a-züßäö]+\s?)+)\b"

• (?!(Mr|Mrs|Ms|Miss)\s)：负向预查，排除以指定头衔开头的内容
• 第一个捕获组：匹配单个名字（如Jennifer）
• 第二个捕获组：匹配后续的所有姓氏部分（支持多词，如Helen King）

3. 代码修改 #

把原代码中的正则替换为上述表达式，并调整姓名拆分逻辑（不再用第一个空格分割，直接用捕获组）：

private void name_extraction()
{
    // 定义需要排除的头衔，可根据实际情况补充
    string excludedTitles = @"Mr|Mrs|Ms|Miss";
    string namePattern = $@"\b(?!({excludedTitles})\s)[A-ZÜÄÖ][a-züßäö]+\s+((?:[A-ZÜÄÖ][a-züßäö]+\s?)+)\b";
    
    Regex nameRegex = new Regex(namePattern);
    Match nameMatch = nameRegex.Match(parsed_text.ToString());

    if (nameMatch.Success)
    {
        // 直接从捕获组获取名和姓
        string firstName = nameMatch.Groups[1].Value;
        string lastName = nameMatch.Groups[2].Value.Trim(); // 去除末尾可能的空格
        extracted_data["FirstName"] = firstName;
        extracted_data["LastName"] = lastName;
        account_year_extraction();
    }
    else
    {
        MessageBox.Show("Name was not extracted!" + "\n" + "Check formatting of input file.");
    }
}

4. 补充说明 #

• 如果后续遇到新的头衔，直接在excludedTitles中添加即可
• 若PDF中姓名结构有其他变体（如带后缀Jr、Sr），可以在正则中进一步调整（比如在最后添加负向预查排除后缀）
• 由于所有PDF格式一致，这个正则可以稳定适配大部分场景

内容的提问来源于stack exchange，提问作者AliceSkarre