如何通过正则识别法律文本中公司名并去除匹配结果尾部空格

问题原因 #

原有正则azienda|societa'\s+([\w\s-]+) ha存在两个核心问题：

• 或逻辑优先级错误：未做分组的情况下，规则会被解析为「单独匹配azienda，或者匹配societa'\s+([\w\s-]+) ha」，会漏掉azienda开头的公司名称场景
• 捕获组内的[\w\s-]+为贪婪匹配模式，会把公司名称主体和后续助词ha之间的所有空白字符都纳入捕获范围，导致返回结果末尾携带1-2个多余空格

优化后正则 #

(?:azienda|societa')\s+([\w-]+(?:\s+[\w-]+)*)\s+ha

改动说明 #

• 用非捕获组(?:azienda|societa')包裹两个触发关键词，修正或逻辑的优先级问题，两种开头的场景都能正常匹配
• 重构捕获组匹配逻辑为[\w-]+(?:\s+[\w-]+)*：先匹配由字母、数字、连字符组成的名称片段，后续可重复匹配「1个以上空白+新的名称片段」的结构，从规则层面杜绝了捕获组末尾带空白的问题，同时也能保留公司名内部原本存在的多空格间隔
• 在捕获组和结尾助词ha之间单独增加\s+匹配两者间隔的空白，这部分内容不会进入捕获组

匹配效果验证 #

针对提供的《Gazzetta Ufficiale》文本片段，优化后正则的捕获组返回结果为Orpha-Devel Handels Und Vertriebs GMBH，无尾部多余空格，符合精准提取要求。

内容的提问来源于stack exchange，提问作者Robert Alexander