使用Python正则删除荷兰数字与邮政编码重复模式问题求助

错误原因分析 #

• 原有正则会单独匹配每一段符合\d{,4}\s\d{4}\s[A-Za-z]{2}格式的内容，统一替换为第一个捕获组的数字，测试文本中两段重复的77 1502 CC都被替换为77，最终得到两个连续77的错误结果
• 原有规则的([A-Za-z]){2}写法仅能捕获最后一位字母，无法完整保留2位字母后缀，\d{,4}允许匹配空数字存在匹配误差风险

修正后实现代码 #

import re
text = 'H. Gerhardstraat 77 1502 CC 77 1502 CC Zaandam'
# 匹配连续重复的地址后缀片段，仅保留1份
text = re.sub(r'\b((\d{1,4})\s(\d{4})\s([A-Za-z]{2}))\s+\1\b', r'\1', text)
print(text)

运行输出结果：
H. Gerhardstraat 77 1502 CC Zaandam

正则规则说明 #

• \b：单词边界，避免匹配到文本中其他位置的零散内容
• ((\d{1,4})\s(\d{4})\s([A-Za-z]{2}))：第一个捕获组，完整匹配「1-4位数字门牌号 + 空格 + 4位数字邮编 + 空格 + 2位字母后缀」的地址片段
• \s+：匹配两段重复地址之间的空格
• \1：反向引用第一个捕获组的内容，要求后续出现的片段和前一段完全一致
• 替换值为\1即仅保留一份地址片段，去除重复内容

内容的提问来源于stack exchange，提问作者user773674