Python正则如何排除大写单词？网页抓取内容提取技术问询

问题解答 #

1. 应对不同地名的通用处理方法 #

别用硬编码的.replace('PARIS - ', '')，这种写法一旦地名变化就失效。可以基于「开头大写地名 + " - "」的固定格式，用正则匹配并替换掉这部分内容，不管具体地名是什么，通用性更强。

2. 排除开头地名和“-”提取剩余文本 #

两种实用方法：

• 字符串切片法：先找到“ - ”的索引位置，直接截取后面的内容：

  content = text[text.find(' - ') + 3:]
  

• 正则匹配法：直接匹配“ - ”之后的全部内容：

  import re
  content = re.search(r'^.*? - (.*)', text).group(1)
  

3. 是否用正则拆分地名与内容？以及排除大写单词的方法 #

如果文本格式固定（开头是地名+“ - ”+正文），正则是非常合适的方案，既能同时提取地名和正文，也比单纯的字符串操作更灵活。

• 你写的re.findall('^\w+', text)只能匹配单个单词的地名（比如PARIS），遇到多单词地名（比如NEW YORK）就会失效，建议调整正则匹配连续的大写单词：

  location = re.findall(r'^[A-Z\s]+(?= - )', text)[0].strip()
  

• 要排除开头的大写地名部分提取正文，除了上述方法，还可以用正则替换去掉开头的目标内容：

  content = re.sub(r'^[A-Z\s]+ - ', '', text)
  

  如果是要排除文本中所有大写单词（不止开头），可以用：

  filtered_text = re.sub(r'\b[A-Z]+\b', '', text)
  

4. 处理此类文本提取问题的步骤 #

• 第一步：梳理文本格式规律，确认开头是否都是「地名 - 正文」结构，地名是单个还是多个大写单词，有没有无“-”的异常情况。
• 第二步：选择合适工具，格式极简单（比如固定位置的“ - ”）用字符串切片/查找更高效；格式有变化（比如地名长度不定）用正则更灵活。
• 第三步：测试边缘案例，比如多单词地名、缺失“-”的文本、地名后带多余空格的情况，确保代码兼容。
• 第四步：优化代码健壮性，添加异常处理（比如找不到“-”时的容错逻辑），避免程序崩溃。

内容的提问来源于stack exchange，提问作者pixsay