Python 使用正则表达式解析不一致的自由格式街道名称

Question

对于以下结构中的数据，我想获取解析后的街道名称详细信息：

# streetname 1() refers to house number 1 with an empty () additional qualifier 

keyword_token: street name 4()
keyword_token: street-name 14()

keyword_token: streetname 123()keyword_token: streetname 123()
# why is it logged one message per line, but we get the address logged twice - sometimes??

keyword_token: streetname 9(7)keyword_token: streetname 9(7)
keyword_token: streetname 27()\r\n a lot more text and log messages in the free form text log - one messageper line  \n
    
keyword_token: street-name 1-23(BLOCK D HAUS 6)keyword_token: street-name 1-23(BLOCK H HAUS 2)keyword_token: street-name 1-23(BLOCK G HAUS 3)',

理想的预期结果是：每条记录 3 个字段：

街道名称
门牌号
附加限定词（empty/NaN）如果是empty/missing

到目前为止，我尝试了以下正则表达式：keyword_token(.*)，但这是在关键字标记后给出整行。

并发症：

我只对第一场比赛感兴趣（不多），即 keyword_token:
街道名称本身可能很不一致（空格，-）它将在 keyword_token: 之后开始，一直到 (

edit: an example regex101 is found here https://regex101.com/r/ueEfNU/1

edit 2: also not numeric house numbers need to be supported.

keyword_token: street_name 32a()

Answer 1

你可以使用

keyword_token:\s*(.*?)\s*(\d[a-zA-Z\d-]*)\(([^()]*)\)

见regex demo。详情:

keyword_token: - 固定字符串
\s* - 零个或多个空格
(.*?) - 第 1 组：除换行符以外的任何零个或多个字符，尽可能少（由于 *? 惰性量词）
\s* - 零个或多个空格
(\d[a-zA-Z\d-]*) - 第 2 组：一个数字，然后是零个或多个字母、数字或 - 字符
\( - 一个 ( 字符
([^()]*) - 第 3 组：( 和 )
\) - 一个 ) 字符。

Python 使用正则表达式解析不一致的自由格式街道名称

Python parse inconsistent free form street names using regex

python

regex

regular-language