地址处理脚本中正则捕获组返回错误值问题求助

问题根源 #

你的正则表达式存在捕获组编号混乱的问题，同时冗余的OR分支导致匹配逻辑不可控：

• 正则的两个分支各自拥有独立的捕获组（左边分支是组1-4，右边分支是组5-8），但你在替换时始终只引用组1-4。当实际文件中的地址意外匹配到右边分支时，组1-4为空，替换逻辑会出现异常。
• 额外的右边分支完全多余：左边分支的(\d?\/?)本身就支持匹配空值（即不带斜杠的门牌号），已经能覆盖单/多位数、带字母、带斜杠的所有门牌号格式，右边分支反而会拆分多位数门牌号（比如把88拆成8和8 ），触发错误的替换逻辑。
• 正则中的[A-z]是错误的：它匹配的是ASCII中A到z的所有字符（包括^、_、等非字母符号），可能导致匹配范围超出预期。

修复后的代码 #

首先重构正则，合并冗余分支，使用正确的字母匹配范围，同时简化替换逻辑（无需分支判断，正则直接匹配所有目标格式）：

import re

addressList = ['118 Nile Street _Lower_Hutt Widow','88 _Howard Road _Point_Howard Student','168 Wellington Road _Wainuiomata Driver', '2/22A _Queen Street Auckland', '5B _Kingston Road Wellington']
# 重构后的正则：匹配所有门牌号格式，捕获门牌号、街道名、后续内容
pattern = r'(\d?\/?\d+[A-z]?\s)_([a-zA-Z]\S+)(?=\s)(\s.+)'

for addr in addressList:
    # 直接替换，无需分支判断：移除街道名前的下划线
    replaced_addr = re.sub(pattern, r'\1\2\3', addr)
    print("处理后地址:", replaced_addr)

关键改进点 #

1. 合并正则分支：用(\d?\/?\d+[A-z]?\s)直接匹配所有门牌号格式：
   • \d?\/?：可选的数字+斜杠（如2/）
   • \d+[A-z]?\s：1+位数字+可选字母+空格（如88 、22A 、5B ）
2. 修正字母匹配范围：用[a-zA-Z]替代[A-z]，仅匹配大小写字母，避免意外匹配非字母符号。
3. 简化替换逻辑：正则直接捕获需要保留的部分，替换时直接拼接，无需额外的分支判断，彻底避免捕获组引用错误。

为什么原代码在示例中正常但实际文件出错 #

示例中的地址刚好都匹配左边分支，因此捕获组引用逻辑暂时生效；但实际文件中的地址可能存在某些特殊格式（如门牌号前有隐藏字符、换行符干扰等），导致正则意外匹配到右边分支，触发错误的替换逻辑，最终出现门牌号数字异常的问题。

内容的提问来源于stack exchange，提问作者Dave