能否将提取Twitter用户名的两个正则表达式合并为一个？

我目前用两个正则表达式从字符串中提取Twitter用户名，现有代码如下：

def get_username(string):
    p1 = re.compile(r'twitter\.com/([a-z0-9_\.\-]+)', re.IGNORECASE)
    p2 = re.compile(r'twitter[\s\:@]+([a-z0-9_\.\-]+)', re.IGNORECASE)
    match1 = re.search(p1, string)
    match2 = re.search(p2, string)
    if match1:
        return match1.group(1)
    elif match2:
       return match2.group(1)
    else:
      return None

测试示例 #

get_username("Twitter: https://twitter.com/foo123")
get_username("Twitter: twitter.com/foo123")
get_username("https://twitter.com/foo123")
get_username("https://twitter.com/foo123?blah")
get_username("Twitter foo123")
get_username("Twitter @foo123")
get_username("Twitter: foo123")
get_username("Twitter: foo123 | youtube: ...")

我尝试将两个正则合并为一个，写出了如下表达式：

pattern = re.compile(r'twitter(?:(?:\.com/)|(?:[\s\:@]+))([a-z0-9_\.\-]+)', re.IGNORECASE)

但这个方案在第一个测试示例中失效——字符串里的Twitter: https会先被匹配，导致提取出错误内容，而非目标用户名foo123。

解决方法 #

可以通过分支优先级实现原逻辑的合并：优先匹配带.com/的Twitter链接（包含可选的http/https前缀），再匹配纯提及式的用户名。修改后的代码如下：

def get_username(string):
    # 先匹配Twitter链接格式，再匹配提及/关联格式
    pattern = re.compile(r'(?:https?://)?twitter\.com/([a-z0-9_\.\-]+)|twitter[\s\:@]+([a-z0-9_\.\-]+)', re.IGNORECASE)
    match = re.search(pattern, string)
    if match:
        # 优先取第一个分支的结果，无则取第二个分支
        return match.group(1) or match.group(2)
    return None

说明 #

• 第一个分支(?:https?://)?twitter\.com/([a-z0-9_\.\-]+)：匹配带可选协议的Twitter个人主页链接，提取用户名
• 第二个分支twitter[\s\:@]+([a-z0-9_\.\-]+)：匹配Twitter @用户名、Twitter: 用户名这类提及格式
• re.search会按分支顺序匹配，优先找到链接格式的匹配；若没有则匹配提及格式，和原代码逻辑完全一致
• 通过match.group(1) or match.group(2)取第一个有值的分组结果，实现原代码的优先级判断

内容的提问来源于stack exchange，提问作者Ben