使用正则提取百科条目生卒信息遇匹配问题，求原因分析

问题背景 #

需要从以下百科条目中提取出生日期、出生地点，以及（存在时）死亡日期、死亡地点：

威廉·华兹华斯，（生于1770年4月7日，英格兰坎伯兰郡科克茅斯——卒于1850年4月23日，威斯特摩兰郡赖德尔山），英国诗人...
简·古道尔，全名女爵简·古道尔，原名瓦莱丽·简·莫里斯-古道尔，（生于1934年4月3日，英格兰伦敦），英国动物行为学家...
肯尼思·沃廷比·斯彭斯，（生于1907年5月6日，美国伊利诺伊州芝加哥——卒于1967年1月12日，得克萨斯州奥斯汀），美国心理学家...

最初尝试的正则模式无法达到预期：

\(born (\w+ \d{1,2}, \d{4})(?:, )(.*?)(?:—died )?(\w+ \d{1,2}, \d{4})?(?:, )?(.*?)\)

重构后的模式仅能匹配含死亡信息的条目，无法适配所有情况：

\(born (\w+ \d{1,2}, \d{4})(?:, )(.*?)—died (\w+ \d{1,2}, \d{4})?(?:, )?(.*?)\)

核心问题 #

你忽略了三个关键问题：

• 日期格式完全不匹配：示例条目是中文日期（如1770年4月7日），但你的正则写的是英文日期规则（\w+ \d{1,2}, \d{4}，对应April 7, 1770），这直接导致连出生日期都匹配不到。
• 非贪婪匹配的边界模糊：.*?没有明确的终止标记，在没有死亡信息的条目里，它会和后续的可选死亡组产生冲突，无法正确终止到括号)。
• 分支逻辑缺失：没有处理“要么有——卒于分支，要么直接到括号结尾”的两种情况，导致无死亡信息的条目匹配失败。

修正后的正则 #

针对中文条目调整规则，同时覆盖两种情况：

\(生于(\d{4}年\d{1,2}月\d{1,2}日)(?:，(.*?))?(?:——卒于(\d{4}年\d{1,2}月\d{1,2}日)(?:，(.*?))?)?\)

规则说明 #

1. 匹配中文关键词生于和卒于，而非英文的born/died
2. 日期格式适配中文的年/月/日结构
3. 用可选分组包裹死亡信息部分，无死亡信息时自动跳过
4. 每个地点的非贪婪匹配被限定在对应分组内，避免越界

匹配结果 #

• 威廉·华兹华斯条目：捕获组1=1770年4月7日，组2=英格兰坎伯兰郡科克茅斯，组3=1850年4月23日，组4=威斯特摩兰郡赖德尔山
• 简·古道尔条目：捕获组1=1934年4月3日，组2=英格兰伦敦，组3/组4为空
• 肯尼思条目：捕获组1=1907年5月6日，组2=美国伊利诺伊州芝加哥，组3=1967年1月12日，组4=得克萨斯州奥斯汀

内容的提问来源于stack exchange，提问作者vonbecker