正则移除公司后缀无效、字符串替换误删内容的技术求助

核心问题 #

你的代码存在4个关键问题，导致后缀清理无效或出现误删：

1. 循环替换逻辑错误：每次替换都基于原始公司名字符串，而非逐步更新后的结果，最终只有最后一次替换生效（大概率未命中），所以看起来毫无变化。
2. 大小写不匹配：后缀列表全是小写，但公司名里的后缀是大写/混合大小写（比如Holding、LTD），正则默认区分大小写，导致匹配失败。
3. 单词边界\b失效：当后缀前后有标点（比如, LTD），\b无法识别有效边界，匹配不到目标后缀。
4. 导入语法错误：from cleanco import typesources,多了个逗号，会直接触发语法报错。

修正后的完整代码 #

import re
from cleanco import typesources
import string

def generate_common_suffixes():
    # 用集合自动去重，扁平化所有后缀并转小写
    company_suffixes_raw = typesources()
    unique_suffixes = {item.lower() for sublist in company_suffixes_raw for item in sublist}
    unique_suffixes.add('holding')
    # 按后缀长度倒序排序，优先匹配长后缀（避免短后缀截断长后缀的匹配）
    return sorted(unique_suffixes, key=lambda x: -len(x))

# 原始公司名列表
company_names = [
    'SAMSUNG ÊLECTRONICS Holding, LTD', 
    'Apple inc',
    'FIIG Securities Limited Asset Management Arm',
    'First Eagle Alternative Credit, LLC', 
    'Global Credit Investments',
    'Seatown', 
    'Sona Asset Management'
]

suffixes = generate_common_suffixes()
cleaned_names = []

for raw_name in company_names:
    # 统一转小写，消除大小写匹配问题
    cleaned = raw_name.lower()
    for suffix in suffixes:
        # 正则规则：匹配后缀，允许后缀后接标点、空格或直接结尾
        # re.escape避免后缀里的特殊字符破坏正则
        pattern = re.compile(r'\b{}\b(?:[.,\s]+|$)'.format(re.escape(suffix)))
        cleaned = pattern.sub('', cleaned)
    # 清理多余空格、首尾空格，可选转回首字母大写格式
    cleaned = re.sub(r'\s+', ' ', cleaned).strip().title()
    cleaned_names.append(cleaned)

# 输出结果
print(cleaned_names)

关键优化点说明 #

• 集合去重+排序：用集合自动去重比列表判断更高效；长后缀优先匹配，避免出现'limited'先被替换，导致'limited liability company'无法匹配的情况。
• 逐步更新替换：每次替换都基于上一次清理后的字符串，确保所有后缀都被处理。
• 正则边界优化：(?:[.,\s]+|$)覆盖了后缀后接标点、空格或结尾的所有场景，解决\b无法识别标点边界的问题。
• 大小写统一：先转小写处理，最后可选转回首字母大写，既保证匹配精准，又保留可读性。

关于字符串替换误删的问题 #

直接用str.replace()会全局匹配子串，不考虑单词边界，比如如果后缀包含'sam'，会误删'Samsung'里的'sam'部分。必须用正则的单词边界\b来限制匹配范围，只替换完整的后缀单词。

内容的提问来源于stack exchange，提问作者novawaly