Python正则如何实现含特殊字符化学实体的精确匹配多条件检索

AI 小北

2026-10-5

问题背景

我目前正在基于语料库使用化学命名实体构建机器学习训练数据集，涉及的化学场景均为真实业务场景而非虚构。现在需要构造符合以下规则的正则表达式：

以化学式字符串2h-tetrazolium, 2,2'-(3,3'-dimethoxy[1,1'-biphenyl]-4,4'-diyl)bis[3-(4-nitrophenyl)-5-phenyl-,chloride (1:2)开头
后面接0到15个任意字符
后面接化学编码字符串298-83-9
后面接0到15个任意字符
后面接1个非字母数字字符
后面接字符串5
以非字母数字字符结尾

设置第5、7条非字母数字规则的原因是检索的文本内容冗长杂乱，需要避免5属于其他实体的情况，例如bluh bluh 298-83-9 bluh bluh 564或bluh bluh 298-83-9 bluh bluh 645这类场景。

我最初编写的正则表达式如下：

reg_exp = name_entity[0] + r".{0,15}\s*" + name_entity[1] + r".{0,15}\s*" + r"[^a-zA-Z\d]+" + name_entity[2] + r"[^a-zA-Z\d]+"

其中name_entity数组存储的是上述规则1、3、6对应的字符串。

但当前的问题是：规则1、3中的化学式和编码包含大量转义符、连字符等特殊字符，导致正则表达式无法正常匹配。我需要让正则将name_entity中的元素视为完全字面量短语，不解析其中的正则语法，使用的开发语言为Python。

附待匹配文本片段，其中加粗部分是预期匹配的内容：

"composition/information on ingredients substance / mixture : mixture substance name : nbt/bcip stock solution, mbf components chemical name cas-no. concentration (% w/w) methane, 1,1'-sulfinylbis- 67-68-5 >= 50 - < 70 2h-tetrazolium, 2,2'-(3,3'- dimethoxy[1,1'-biphenyl]-4,4'- diyl)bis[3-(4-nitrophenyl)-5-phenyl-, chloride (1:2) 298-83-9 >= 1 - < 5 actual concentration is withheld as a trade secret section 4. first aid measures general advice : do not leave the victim unattended. safety data sheet nbt/bcip stock solution version 3.0 revision date: 09-25-2019"

解决方案

核心问题在于化学名称、CAS号中的[、]、(、)、-等字符均为正则语法中的特殊操作符，直接拼接会被正则引擎解析为规则而非普通字符串，使用Python内置的re.escape()函数即可自动对所有正则特殊字符做转义，将输入字符串识别为纯字面量。

修正后的完整代码如下：

import re

# 按顺序存储：目标化学式、CAS号、目标数字"5"
name_entity = [
    "2h-tetrazolium, 2,2'-(3,3'-dimethoxy[1,1'-biphenyl]-4,4'-diyl)bis[3-(4-nitrophenyl)-5-phenyl-,chloride (1:2)",
    "298-83-9",
    "5"
]

# 对每个实体字符串做转义处理，避免特殊字符被解析为正则语法
escaped_chem = re.escape(name_entity[0])
escaped_cas = re.escape(name_entity[1])
escaped_target_num = re.escape(name_entity[2])

# 适配示例文本中化学式的空格差异：将转义后的空格替换为匹配任意空白的规则，可匹配多个空格、换行等
escaped_chem = escaped_chem.replace(r"\ ", r"\s+")

# 拼接最终正则，rf前缀同时支持变量插入和raw字符串规则
reg_exp = rf"{escaped_chem}.{{0,15}}{escaped_cas}.{{0,15}}[^a-zA-Z\d]{escaped_target_num}[^a-zA-Z\d]"

# 测试匹配
test_text = """composition/information on ingredients substance / mixture : mixture substance name : nbt/bcip stock solution, mbf components chemical name cas-no. concentration (% w/w) methane, 1,1'-sulfinylbis- 67-68-5 >= 50 - < 70 2h-tetrazolium, 2,2'-(3,3'- dimethoxy[1,1'-biphenyl]-4,4'- diyl)bis[3-(4-nitrophenyl)-5-phenyl-, chloride (1:2) 298-83-9 >= 1 - < 5 actual concentration is withheld as a trade secret section 4. first aid measures general advice : do not leave the victim unattended. safety data sheet nbt/bcip stock solution version 3.0 revision date: 09-25-2019"""

match_res = re.search(reg_exp, test_text)
if match_res:
    print(f"匹配成功，匹配内容为：\n{match_res.group()}")

额外说明：

如果需要匹配的任意字符包含换行，可在匹配时添加re.DOTALL参数：re.search(reg_exp, test_text, flags=re.DOTALL)
正则中[^a-zA-Z\d]严格匹配1个非字母数字字符，符合规则要求；如果允许连续多个非字母数字字符，可改为[^a-zA-Z\d]+
示例文本中的化学式和你给出的标准化学式存在空格差异，因此添加了replace(r"\ ", r"\s+")的适配逻辑，如果你的待匹配文本中化学式格式完全统一，可以去掉这行。

内容的提问来源于stack exchange，提问作者Julia Penfield