python - 正则表达式以匹配以文本格式编写的年龄

Question

我想从一个句子中提取一个人的年龄；这有点简化，但这都是为了一个研究项目。我知道在句子中，年龄总是在冒号前跟 0 个或多个空格，或者冒号、空格、几个单词和一些空格(例如:“角色:一位可爱的八十岁的奶奶”，我想要一个允许我从其中一个组中提取“80”的正则表达式)。我正在使用 python 的“re”库，我的代码卡在这个例子上(下面的代码和例子):

regex_age_string = r'([:]*[ ]*)?((([a-z]*)([ -]*))+)([ -]+)(year)'
regex_age_string = re.compile(regex_age_string, re.DOTALL)
sentence = 'history:   four year-old boy was really sad when he found 
out the toy was broken'
age_extract_string = re.search(regex_age_string, sentence)
print(age_extract_string.group())
print(age_extract_string.group(2))

但是，当我通过删除一些尾词来缩短句子时，效果会很好。我阅读了有关由于灾难性回溯而挂起的正则表达式搜索的信息，但我不确定这在此处如何应用/如何修复它。

Answer 1

您的正则表达式导致减速的原因是 catastrophic backtracking .它是由量化组内的一系列可选模式引起的 - (([a-z]*)([ -]*))+。

您实际上可以匹配从 : 到 year:

的任何字母、空格或连字符

r':\s*([a-z\s-]*?)\s*-*year'

参见 regex demo .

详情

• : - 一个 :
• \s* - 0+ 个空格
• ([a-z\s-]*?) - 第 1 组:0+ 个小写 ASCII 字母、空格或连字符
• \s* - 0+ 个空格
• -* - 0+ - 个字符
• year - 一个子字符串。