如何用正则从指定关键词后、.xlsx前提取目标字符串？

给定以下字符串列表：

strings = [
    "1234_4534_41247612_2462184_ASN_ABCDEF_GHI_.xlsx",
    "1234_4534__sfhaksj_DHJKhd_hJD_41247612_2462184_KOR_PQRST_GHI.xlsx",
    "12JSAF34_45aAF34__sfhaksj_DHJKhd_hJD_41247612_2f462184_TWN_JKLMN_abcd_OPQ.xlsx",
    "1234_4534__sfhaksj_DHJKhd_hJD_41FA247612_2462184_IND_WXY.xlsx",
    "1234_4534__sfhaksj_DHJKhd_hJD_41FA247612_2462184_IND_WXY_TUV.xlsx",
]

需实现三个核心需求：

• a) 精准识别关键词ASN、KOR、IND、TWN，提取其后的内容；
• b) 仅提取.xlsx后缀之前的内容；
• c) 最终结果不能以下划线开头，但中间可包含下划线。

原尝试代码无法限制提取范围在.xlsx之前，且存在关键词匹配不精准的问题：

import re
regex_output = re.compile(r"\_[ASN|KOR|TWN|IND]{3}\_([a-zA-Z\_]+)")

for s in strings:
    print(regex_output.search(s).group(1))

期望输出：

ABCDEF_GHI
PQRST_GHI
JKLMN_abcd_OPQ
WXY
WXY_TUV

修正后的正则表达式 #

解决核心问题需要调整正则逻辑，同时满足关键词精准匹配、提取范围限制、结果格式要求：

regex_output = re.compile(r"_(ASN|KOR|TWN|IND)_([^_.][a-zA-Z_]*)(?=\.xlsx)")

各部分作用：

• _(ASN|KOR|TWN|IND)_：用分组替代原字符组，精准匹配完整目标关键词（原字符组[ASN|KOR|TWN|IND]{3}会匹配任意三个来自这些字符的组合，比如ANS，不符合需求）；
• ([^_.][a-zA-Z_]*)：捕获目标内容，[^_.]确保结果不以_或.开头，[a-zA-Z_]*匹配后续合法的字母与下划线；
• (?=\.xlsx)：正向预查，强制捕获内容的末尾紧跟.xlsx，避免包含后缀或多余内容。

完整运行代码 #

import re

strings = [
    "1234_4534_41247612_2462184_ASN_ABCDEF_GHI_.xlsx",
    "1234_4534__sfhaksj_DHJKhd_hJD_41247612_2462184_KOR_PQRST_GHI.xlsx",
    "12JSAF34_45aAF34__sfhaksj_DHJKhd_hJD_41247612_2f462184_TWN_JKLMN_abcd_OPQ.xlsx",
    "1234_4534__sfhaksj_DHJKhd_hJD_41FA247612_2462184_IND_WXY.xlsx",
    "1234_4534__sfhaksj_DHJKhd_hJD_41FA247612_2462184_IND_WXY_TUV.xlsx",
]

regex_output = re.compile(r"_(ASN|KOR|TWN|IND)_([^_.][a-zA-Z_]*)(?=\.xlsx)")

for s in strings:
    match = regex_output.search(s)
    if match:
        print(match.group(2))

输出结果 #

运行代码后将得到期望的输出：

ABCDEF_GHI
PQRST_GHI
JKLMN_abcd_OPQ
WXY
WXY_TUV

内容的提问来源于stack exchange，提问作者The Great