Obtenga palabras en mayúscula consecutivas usando regex

Question

Tengo problemas con mi expresión regular para capturar palabras consecutivas en mayúscula. Aquí es lo que yo quiero la expresión regular para capturar:

"said Polly Pocket and the toys" -> Polly Pocket 

Aquí es la expresión regular que estoy utilizando:

re.findall('said ([A-Z][\w-]*(\s+[A-Z][\w-]*)+)', article) 

Devuelve el siguiente:

[('Polly Pocket', ' Pocket')] 

quiero que vuelva :

['Polly Pocket'] 

Answer 1

Utilice un preanálisis positivo:

([A-Z][a-z]+(?=\s[A-Z])(?:\s[A-Z][a-z]+)+) 

afirmar que la palabra actual, para ser aceptado, debe ser seguida por otra palabra con una letra mayúscula en ella. Analizado:

(    # begin capture 
    [A-Z]   # one uppercase letter \ First Word 
    [a-z]+   # 1+ lowercase letters/
    (?=\s[A-Z])  # must have a space and uppercase letter following it 
    (?:    # non-capturing group 
    \s    # space 
    [A-Z]   # uppercase letter \ Additional Word(s) 
    [a-z]+   # lowercase letter /
)+    # group can be repeated (more words) 
)    #end capture 

Answer 2

Es porque findall declaraciones de todos los grupos de captura en su expresión regular, y que tiene dos grupos de captura (uno que recibe todo el texto coincidente, y la interior de las palabras posteriores).

Usted puede simplemente hacer su segundo grupo de captura en un no-captura de uno mediante el uso de (?:regex) en lugar de (regex):

re.findall('([A-Z][\w-]*(?:\s+[A-Z][\w-]*)+)', article) 

Answer 3

$mystring = "the United States of America has many big cities like New York and Los Angeles, and others like Atlanta"; 

@phrases = $mystring =~ /[A-Z][\w'-]\*(?:\s+[A-Z][\w'-]\*)\*/g; 

print "\n" . join(", ", @phrases) . "\n\n# phrases = " . scalar(@phrases) . "\n\n"; 

SALIDA:

$ ./try_me.pl 

United States, America, New York, Los Angeles, Atlanta 

\# phrases = 5