Java正则提取地址块信息：排除额外行的匹配异常问题

问题背景 #

我原本用以下Java正则提取地址块信息：

\b(?!(?i)Doctor| )([^\s]*\b)[\n\r\s]+(\b[\S\s][^\d]*\b)[\s\S]+([0-9]{5})\s+([\D]*)

正常地址示例：

Doctor John DOE
123 dream road 
12345 TOWN

对应的提取代码：

firstName = matcher.group(1).trim();
lastName = matcher.group(2).trim();

这个正则在正常格式下能正确提取名和姓，但当地址块包含额外行时（如下示例），提取的姓会错误匹配为DOE Country Hospital：

Doctor John DOE
Country Hospital
123 dream road 
12345 TOWN

我需要能分别提取名、姓、地址行1（可选）、地址行2、邮编、城镇这几个字段，但找不到合适的正则模式。

优化后的正则方案 #

针对地址块的结构特征（姓名行以Doctor开头，邮编为固定5位数字，最后一行是邮编+城镇），调整后的正则如下：

(?i)^Doctor\s+([^\s]+)\s+([^\n\r]+)\n\r?((?:[^\n\r]+\n\r?)?)[^\d]*?(\b\d{5})\s+([^\n\r]+)$

正则各部分解释 #

• (?i)^Doctor\s+：忽略大小写匹配开头的Doctor，后跟任意空白字符
• ([^\s]+)：捕获名（姓名行中第一个空白前的非空白内容）
• \s+([^\n\r]+)：捕获姓（姓名行剩余的非换行内容）
• \n\r?：兼容Windows/Unix格式的换行符
• ((?:[^\n\r]+\n\r?)?)：捕获可选的地址行1（非换行内容+换行，整个组为可选）
• [^\d]*?：非贪婪模式匹配地址行2前的任意非数字内容，避免过度匹配
• (\b\d{5})：捕获5位邮编
• \s+([^\n\r]+)$：捕获城镇（邮编后的非换行内容，直到文本结尾）

Java提取代码示例 #

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class AddressExtractor {
    public static void main(String[] args) {
        String regex = "(?i)^Doctor\\s+([^\\s]+)\\s+([^\\n\\r]+)\\n\\r?((?:[^\\n\\r]+\\n\\r?)?)[^\\d]*?(\\b\\d{5})\\s+([^\\n\\r]+)$";
        Pattern pattern = Pattern.compile(regex);

        // 正常地址测试
        String normalAddr = "Doctor John DOE\n123 dream road \n12345 TOWN";
        Matcher matcher = pattern.matcher(normalAddr);
        if (matcher.find()) {
            System.out.println("正常地址提取结果：");
            System.out.println("名：" + matcher.group(1).trim());
            System.out.println("姓：" + matcher.group(2).trim());
            System.out.println("地址行1（可选）：" + (matcher.group(3).isEmpty() ? "无" : matcher.group(3).trim()));
            System.out.println("地址行2：" + normalAddr.substring(matcher.end(3), matcher.start(4)).trim());
            System.out.println("邮编：" + matcher.group(4).trim());
            System.out.println("城镇：" + matcher.group(5).trim());
        }

        // 含额外行的地址测试
        String extraLineAddr = "Doctor John DOE\nCountry Hospital\n123 dream road \n12345 TOWN";
        matcher = pattern.matcher(extraLineAddr);
        if (matcher.find()) {
            System.out.println("\n含额外行的地址提取结果：");
            System.out.println("名：" + matcher.group(1).trim());
            System.out.println("姓：" + matcher.group(2).trim());
            System.out.println("地址行1（可选）：" + matcher.group(3).trim());
            System.out.println("地址行2：" + extraLineAddr.substring(matcher.end(3), matcher.start(4)).trim());
            System.out.println("邮编：" + matcher.group(4).trim());
            System.out.println("城镇：" + matcher.group(5).trim());
        }
    }
}

提取说明 #

• 地址行1对应可选的额外行（如示例中的Country Hospital），无额外行时显示为“无”
• 地址行2通过截取地址行1结束到邮编开始的内容获取，确保无论是否有额外行都能正确提取

内容的提问来源于stack exchange，提问作者anakin59490