Python正则表达式捕获组匹配异常，如何获取预期结果？

问题描述 #

使用正则表达式 (?:RE:\w+|Reference:)\s*((Mr|Mrs|Ms|Miss)?\s+([\w-]+)\s(\w+)) 处理以下文本时：

• RE:11567 Miss Jane Doe 12345678
• Reference: Miss Jane Doe 12345678
• RE:J123 Miss Jane Doe 12345678
• RE:J123 Miss Jane Doe 12345678 Reference: Test Company

示例代码：

import re
pattern = re.compile('(?:RE:\w+|Reference:)\s*((Mr|Mrs|Ms|Miss)?\s+([\w-]+)\s(\w+))')
result = pattern.findall('RE:11693 Miss Jane Doe 12345678')

预期所有示例都返回 ('Miss Jane Doe', 'Miss', 'Jane', 'Doe')，但第四个示例得到了额外匹配结果：[('Miss Jane Doe', 'Miss', 'Jane', 'Doe'), (' Test Company', '', 'Test', 'Company')]，需要修正正则以得到正确输出。

解决方案 #

问题根源是原正则未限制匹配的人名必须关联指定前缀，且后续的Reference: Test Company被误匹配——Reference:触发了正则分支，而Test Company符合([\w-]+)\s(\w+)的结构。以下是三种可行修正方案：

方案1：强制人名带指定称谓 #

去掉原正则中称谓部分的?，要求匹配的人名必须以Mr/Mrs/Ms/Miss开头，这样无称谓的Test Company就不会被匹配：

pattern = re.compile(r'(?:RE:\w+|Reference:)\s*((Mr|Mrs|Ms|Miss)\s+([\w-]+)\s(\w+))')

方案2：限定匹配范围并忽略后续内容 #

通过锚点^限定从文本开头匹配，用.*跳过后续无关内容，确保只获取第一个目标匹配：

pattern = re.compile(r'^(?:RE:\w+|Reference:)\s*((Mr|Mrs|Ms|Miss)?\s+([\w-]+)\s(\w+)).*')
result = pattern.findall(text)[0]

方案3：排除后续目标前缀的干扰 #

添加正向否定预查，确保匹配的人名后不会紧跟着另一个RE:\w+或Reference:，避免误匹配后续内容：

pattern = re.compile(r'(?:RE:\w+|Reference:)\s*((Mr|Mrs|Ms|Miss)?\s+([\w-]+)\s(\w+))(?!\s*(?:RE:\w+|Reference:))')

验证效果 #

用第四个测试文本验证上述方案，均只会返回预期结果('Miss Jane Doe', 'Miss', 'Jane', 'Doe')。

内容的提问来源于stack exchange，提问作者West