Python正则表达式提取药品信息描述字段的技术求助

核心匹配逻辑 #

要实现从7位数字后提取描述，直到T/N/G/M前的空格，这里提供两种实用方案：

方案1：仅提取描述内容

这个正则用正向预查精准定位终止位置，支持描述里包含空格、数字等任意字符：

description_re = re.compile(r'\d{7}\s+(.*?)\s+(?=[TNGM])')

• \d{7}：锁定7位数字开头的位置
• \s+：匹配数字后的任意空格（避免单个空格的限制）
• (.*?)：非贪婪模式捕获描述内容，不会过度匹配到后面的批号
• (?=[TNGM])：正向预查，确保捕获截止到T/N/G/M前的空格，不会把批号字符包含进来

方案2：同时提取描述和批号（可选保留批号）

如果需要把批号也一起提取，用分组捕获即可：

info_re = re.compile(r'\d{7}\s+(.*?)\s+([TNGM].*)')

• 第一个分组(.*?)是你要的描述内容
• 第二个分组([TNGM].*)是从T/N/G/M开始的完整批号信息

示例代码（转成DataFrame） #

假设你的药品列表是这种格式：

import re
import pandas as pd

drug_list = [
    "1234567 Paracetamol 500mg T12345",
    "9876542 Ibuprofen 200mg N67890",
    "4567891 Aspirin 100mg G01234"
]

# 仅提取描述
descriptions = []
for item in drug_list:
    match = description_re.search(item)
    if match:
        descriptions.append(match.group(1))
df_desc = pd.DataFrame({"药品描述": descriptions})

# 同时提取描述和批号
drug_data = []
for item in drug_list:
    match = info_re.search(item)
    if match:
        drug_data.append({
            "药品描述": match.group(1),
            "批号": match.group(2)
        })
df_full = pd.DataFrame(drug_data)

你的原正则失效原因 #

你写的r'\d{7}\s[A-Za-z]+\s[TNGM]$'有三个关键问题：

1. [A-Za-z]+只能匹配连续纯字母，没法处理带空格、数字的描述（比如Paracetamol 500mg）
2. $强制要求字符串必须以T/N/G/M结尾，实际数据里批号后面可能还有其他内容
3. 没有用非贪婪匹配，容易把不该包含的内容也匹配进去

内容的提问来源于stack exchange，提问作者foliveir