使用Python正则捕获组提取薪资及集体协议关联信息

从字符串中提取薪资信息，同时判断该薪资是否来自集体协议。

原正则表达式 #

pattern = "([Kk]ollektivvertragliche[sn]|Kollektivvertrag|[Cc]ollective [Aa]greement|[Kk]ollektivvertr|KV) .* ([0-9]{1,4}[.,][0-9]{2,3}[,]*[0-9]*) .* ([0-9]{1,4}[.,][0-9]{2,3}[,]*[0-9]*)"

原正则各部分说明 #

• ([Kk]ollektivvertragliche[sn]|Kollektivvertrag|[Cc]ollective [Aa]greement|[Kk]ollektivvertr|KV)：第一个捕获组，用于识别薪资是否依据集体协议制定
• ([0-9]{1,4}[.,][0-9]{2,3}[,]*[0-9]*)：匹配xx.yyy,zz/xx.yyy,zz/x.yyy/xxx格式的薪资（例如21.950,13/1.859,20/1.700/700 $）
• 集体协议与薪资间的.*用于匹配任意字符

原正则的问题 #

当所有捕获组都存在时，正则可正常工作：

t = 'Entlohnung nach Caritas Kollektivvertrag : __ [lineBreak] Mindestgehalt in Gehaltsstufe 1 - Verwendungsgruppe VI , dzt. EUR 1.849,90 bis 1.900,32 '
r = re.search(pattern,t)
r.groups()

但当集体协议或薪资组缺失时，正则无法匹配。

测试字符串示例 #

# 无集体协议、单薪资
t = 'EUR 35.362,00 Jahresbrutto'
t = '2.800 brutto/Monat'
t = 'Bruttojahreseinkommen ab € 50.000,'
t = 'beträgt jedoch mindestens € 25.480'
t = '\nLohn/Gehalt ab EUR 2500,00 brutto monatlich,'
t = 'Erfahrung bieten wir ein Bruttojahresgehalt ab EUR 36.400.'

# 有集体协议、单薪资
t = 'laut Kollektivvertrag beträgt € 1.597,72 brutto pro Monat auf Basis Vollzeitbeschäftigung.'
t = 'KV-Mindestgehalt von monatlich € 1.671,00'
t = 'kollektivvertragliches Mindestgehalt von € 2.026,88 brutto pro Monat'
t = 'ein KV-Mindestlohn von EUR 1.277,00 brutto pro Monat'
t = 'Gehalt lt. BAGS-KV €\xa02.100,78 brutto'
t = 'kollektivvertraglicher Mindestgehalt EUR 33.000 Brutto/Jahr'
t = 'KV IT __EUR 2.302'
t = 'Entlohnung nach Caritas Kollektivvertrag: __ [lineBreak] Mindestgehalt in Gehaltsstufe 1 - Verwendungsgruppe VI , dzt. EUR 1.849,90'
t = 'The position is remunerated according to the Kollektivvertrag for Austrian Universities, i.e., the salary amounts to at least 38.230EUR/year before taxes'

# 无集体协议、双薪资
t = '25 Wochenstunden EUR [lineBreak] 1.641,91 bis EUR 1.859,21 brutto'

尝试过的方法 #

使用?和?:设置可选捕获组，但未成功。

期望输出 #

返回元组(group_1_result, group_2_result, group_3_result)，若某组缺失，对应位置返回None。

解决方案 #

调整正则，将集体协议部分设为可选，同时允许薪资出现1-2次，用非贪婪匹配避免内容被过度消耗：

调整后的正则 #

import re

pattern = r"(?:([Kk]ollektivvertragliche[sn]|Kollektivvertrag|[Cc]ollective [Aa]greement|[Kk]ollektivvertr|KV).*?)?([0-9]{1,4}(?:[.,][0-9]+)?)(?:.*?([0-9]{1,4}(?:[.,][0-9]+)?))?"

正则说明 #

1. (?:(...).*?)?：将集体协议捕获组及后续任意字符设为可选非捕获组，.*?非贪婪匹配防止吃掉薪资内容，末尾?表示该部分可不存在
2. ([0-9]{1,4}(?:[.,][0-9]+)?)：第一个薪资捕获组，支持整数、带小数的薪资格式（如2500、2.500,00），确保至少匹配一个薪资
3. (?:.*?([0-9]{1,4}(?:[.,][0-9]+)?))?：第二个薪资捕获组，用可选非捕获组包裹，允许不存在，同样使用非贪婪匹配

测试验证 #

对所有测试字符串执行以下代码：

test_strings = [
    'EUR 35.362,00 Jahresbrutto',
    '2.800 brutto/Monat',
    'laut Kollektivvertrag beträgt € 1.597,72 brutto pro Monat auf Basis Vollzeitbeschäftigung.',
    'KV-Mindestgehalt von monatlich € 1.671,00',
    'kollektivvertragliches Mindestgehalt von € 2.026,88 brutto pro Monat',
    'Bruttojahreseinkommen ab € 50.000,',
    'ein KV-Mindestlohn von EUR 1.277,00 brutto pro Monat',
    'beträgt jedoch mindestens € 25.480',
    'Gehalt lt. BAGS-KV €\xa02.100,78 brutto',
    'kollektivvertraglicher Mindestgehalt EUR 33.000 Brutto/Jahr',
    '\nLohn/Gehalt ab EUR 2500,00 brutto monatlich,',
    'KV IT __EUR 2.302',
    '25 Wochenstunden EUR [lineBreak] 1.641,91 bis EUR 1.859,21 brutto',
    'Entlohnung nach Caritas Kollektivvertrag: __ [lineBreak] Mindestgehalt in Gehaltsstufe 1 - Verwendungsgruppe VI , dzt. EUR 1.849,90',
    'The position is remunerated according to the Kollektivvertrag for Austrian Universities, i.e., the salary amounts to at least 38.230EUR/year before taxes',
    'Erfahrung bieten wir ein Bruttojahresgehalt ab EUR 36.400.'
]

for t in test_strings:
    r = re.search(pattern, t)
    print(r.groups() if r else "No match")

部分输出示例 #

• (None, '35.362,00', None)
• ('Kollektivvertrag', '1.597,72', None)
• (None, '1.641,91', '1.859,21')
• ('KV', '2.302', None)

内容的提问来源于stack exchange，提问作者Daniil Yefimov