问题描述
我想删除出现在字符串末尾的术语。
例如， LTD ， CORP ， LLC ， INC 。
[总共有大约50个不同的术语我想从字符串末尾删除]。
我的问题是如何删除这些术语的序列，例如使用字符串“COMPANY_NAME CORP LTD”。
在这种情况下，我想删除CORP和LTD [即一旦LTD已被删除，该术语现在以CORP结束，我也想要消失]。
目前，我递归地执行此操作，一遍又一遍地运行正则表达式，直到它不再进行更改。
import re
def re_run_match(match_term, replace_with, string):
new_string_temp = re.subn(match_term, replace_with, string)
if new_string_temp[1] == 0:
return(new_string_temp[0])
else:
return(re_run_match(match_term, replace_with, new_string_temp[0]))
long_match_set = r" LTD$| CORP$| LLC$| INC$"
company_name = "COMPANY_NAME CORP LTD"
clean_company_name = re_run_match(long_match_set, "", company_name)
在没有递归的情况下，有没有比这更简单的方法？ 目前，在没有进一步调整之前，每个字符串往往需要通过正则表达式命令大约2-3次，因此使代码比在单个操作中有一种方法慢2或3倍。
注意：我不想删除不在字符串末尾的术语，因此我不仅仅使用匹配术语，例如r"\\bLTD\\b|\\bCORP\\b|\\bLLc\\b|b\\INC\\b" 。
1楼
你可以通过分组和+量词实现它：
import re
long_match_set = r"(?: (?:LTD|CORP|LLC|INC))+$"
company_name = "COMPANY_NAME CORP LTD"
clean_company_name = re.sub(long_match_set, "", company_name)
print(clean_company_name)
请参阅
正则表达式匹配1个或更多组（ + ）
-
一个空间和一个替代组，包括
-
LTD或CORP或LLC或INC之前
-
-
$- 结束字符串。
我们的想法是匹配在字符串结尾之前按顺序排列的任何space + keyword 。
2楼
观察：
In [1]: import re
In [2]: %timeit re.compile('( (ltd|corp|llc|inc))+$', re.IGNORECASE).sub('', 'COMPANY_NAME CORP LTD')
100000 loops, best of 3: 2.51 ?s per loop
In [3]: %timeit re.compile('(?: (?:ltd|corp|llc|inc))+$', re.IGNORECASE).sub('', 'COMPANY_NAME CORP LTD')
100000 loops, best of 3: 2.48 ?s per loop
?:更快但不是很多而忽略了区分大小写。
In [4]: %timeit re.compile('(?: (?:ltd|corp|llc|inc))+$').sub('', 'COMPANY_NAME CORP LTD')
100000 loops, best of 3: 2.03 ?s per loop
In [5]: %timeit re.compile('( (ltd|corp|llc|inc))+$').sub('', 'COMPANY_NAME CORP LTD')
100000 loops, best of 3: 2.2 ?s per loop
忽略区分大小写，它的速度要快得多。
In [6]: %timeit re.compile('( (ltd|corp|llc|inc))+$').sub('', 'COMPANY_NAME CORP LTD wont match')
100000 loops, best of 3: 2.61 ?s per loop
In [7]: %timeit re.compile('(?: (?:ltd|corp|llc|inc))+$').sub('', 'COMPANY_NAME CORP LTD wont match')
100000 loops, best of 3: 2.58 ?s per loop
并且在NO MATCH它会更快一点。
我建议你使用?: