网页抓取 - 用于提取学院、大学和研究所名称的正则表达式

Question

我在文件中有一堆这样的字符串：

M.S., Arizona University, Tucson, Az., 1957
B.A., American International College, Springfield, Mass., 1978
B.A., American University, Washington, D.C., 1985

我想提取塔夫茨大学、美国国际学院、美国大学、马萨诸塞大学等，但不包括高中（可以安全地假设，如果它包含"学院"或"高中"，那就是一所高中）。有什么想法吗？

Answer 1

在 PHP 中使用preg_match_all进行测试，将适用于您提供的示例文本：

 /(?<=,)[ws]*(College|University|Institute)[^,d]*(?=,|d)/

如果您的正则表达式引擎不支持前瞻/后视，则需要进行一些修改。

---

更新

：我查看了您链接的示例文本并相应地更新了正则表达式

 /([A-Z][^s,.]+[.]?s[(]?)*(College|University|Institute|Law School|School of|Academy)[^,d]*(?=,|d)/

第一部分将匹配以大写字母开头的字符串，可以选择后跟.。然后是一个空格，然后是一个可选的(.此模式匹配零次或多次。

这应该在关键字之前获取所有相关单词。