Python如何用正则表达式捕获数字+度量单位+后续词的组合模式

需求说明 #

需要从长字符串中提取按固定顺序组成的三段式模式：

• 1位或2位可带小数点的数字，也支持整数加分数的形式，示例：2 1/5
• 度量单位或对应符号，可选范围：[ft, feet, foot, inch, ', "]
• 紧跟在度量单位之后的描述词，示例：height、long、width、t、w、l等

现有问题梳理 #

原有正则存在三个明显问题：

1. 没有限制数字长度，会捕获两位以上的数字，不符合需求
2. 多分支重复写相同的数字匹配逻辑，表达式冗余繁琐
3. 未兼容整数加分数的数字格式，无法识别2 1/5 ft这类写法

优化实现方案 #

优化思路 #

将正则按三段拆分，分别做逻辑优化后合并：

1. 数字部分：用非捕获组兼容两种数字格式，同时通过\d{1,2}限制整数部分最多2位，避免匹配超长数字
2. 单位部分：把所有可选单位合并到同一个非捕获分组，无需重复写前置匹配逻辑
3. 描述词部分：保留\w+匹配即可，统一处理各段之间的空格匹配

完整实现代码 #

import re

text = '''..text....it approx. 2.0 ft long 335.1 feet wide 9.5' high 2 1/5 ft height 12 inch wide and located.....text...'''
# 优化后的正则表达式
pattern = r'\b(?:\d{1,2}(?:\.\d+)?|\d{1,2}\s+\d{1,2}\/\d{1,2})\s*(?:ft|feet|foot|inch|\'|")\s+\w+'
matched_list = re.findall(pattern, text)
print(matched_list)

运行结果 #

['2.0 ft long', "9.5' high", '2 1/5 ft height', '12 inch wide']

可以看到原有3位数字的335.1 feet wide已经被过滤，同时分数格式的2 1/5 ft height可以正常识别，正则长度也大幅精简。

内容的提问来源于stack exchange，提问作者Eng_GR