正则表达式 – Perl正则表达式中的加权析取？

我的情况是这样的：我需要根据地址的“标识符元素”上的正则表达式匹配将地址分成其组成部分 – 类似的英语示例可能是“state”,“road”或“ boulevard“ – 例如,我们在地址中写了这些内容.想象一下,我们有一个类似下面的地址,其中(这在英语中永远不会发生),我们在每个名称后面指定了标识符类型

美国加利福尼亚州加利福尼亚州旧金山市使命街道345号

(CAPS中的单词是我所谓的“标识符”).

我们想将其解析为：

美国国家
加利福尼亚州
旧金山市
使命街道
245号

好吧,这对于英语来说当然是设计的,但这里有一个问题：我正在处理中文数据,实际上这种标识符规范的风格一直在发生.以下示例：

云南 – 省;丽江 – 市;古城 – 区;西安 – 街;杨春 – 巷;
云南省;丽江市;古城区;西安街;阳春胡同

这很容易 – 对潜在的候选标识符名称进行惰性匹配,分为分离列表.

对于中国,以下是“省级”实体：

省(省),
自治区(自治区),
市(市)

所以我的正则表达式到目前为止看起来像这样：

(.？(？:(？：省)|(？：自治区)|(？：市)))

我有一系列这些,以便考虑地址的不同部分.例如,对应于城市的下一级是：

(.？(？:(？：地区)|(？：自治州)|(？：市)|(？：盟)))

因此,要匹配省实体,然后是城市实体：

(.？(？:(？：省)|(?:自治区)|(？：市)))(.？(？:(？：地区)|(？：自治州)|(？：市)|( ？：盟)))

使用命名捕获组：

(？<省>.？(？:(？：省)|(？：自治区)|(？：市)))(？< City>.？(？:( ?:地区)|(？：自治州)|(？：市)|(？：盟)))

对于上述情况,这会产生：

${省} =云南省
${City} =丽江市

这一切都很好,并且让我相当远.然而,问题是当我尝试考虑可以是其他标识符的子字符串的标识符时.例如,一个共同的街道级实体是“村委会”,这意味着村组委会.在我希望分离的地址集中,并非每个地址都完全写出来.事实上,我发现“村委”和普通的“村”.

问题？如果我对这些元素进行了纯粹的分离,我们有以下内容：

(？< Street>.？(？:( ?:村委会)|(？：村委)|(？：村)))

但是,如果你有一个实体保定 – 村委会(保定村组委会),那么这个懒惰的正则表达式会在村里停止并称之为一天,因为村是潜在的分离元素之一.

想象一下如下的英语等价物：

(？< Animal>.？(？:(？：Cat)|(？：Elephant)|(？：CatElephant)|(？：City)))

我们有两个输入字符串：
1.“crap catelephant crap city”,我们想要“Crap catelephant”和“废话城市”
2.“crap catelephant city”,我们想要“废话猫”“大象城”

啊,你说的解决方案就是让前标识符捕获变得贪婪.但！有些实体具有相同的标识符,不在同一级别.

以市为例.这意味着简单的“城市”.但在中国,有县级,省级和市级城市.如果此字符在字符串中出现两次,尤其是在两个相邻实体中,则贪婪搜索会错误地将贪婪匹配标记为第一个实体.如下所示：

广东 – 省;江门 – 市;开平 – 市;三埠 – 区石海管 – 区
广东省;江门市;开平市;三埠区; Shihaiguan-区

(注意,如上所述,这是手动分段的.原始数据只有一串连接的字符)

贪婪搜索的匹配将是

江门市开平市

这是错误的,因为两个相邻的实体应该分成它们的组成部分.曾经是省级城市,一个是县级城市.

回到原点,我感谢你阅读这篇文章,是否有办法对析取实体进行加权？我希望正则表达式首先找到最高的“加权”标识符.村委会代替简单村,例如“catelephant”而不仅仅是“猫”.在初步实验中,正则表达式解析器显然从左到右进行查找析取匹配.这是一个有效的假设吗？我应该将最常出现的标识符放在析取列表中吗？

如果我丢失了任何有中文相关细节的人,我会道歉,如果需要可以进一步澄清.这个例子真的不一定是中文 – 我更普遍地认为这是一个关于正则表达式析取匹配的机制的问题 – 它以什么顺序偏好析取实体,以及它如何决定何时“称之为”一天“在懒惰搜索的背景下？

在某种程度上,懒惰和贪婪搜索之间是否存在某种中间立场？找到最长/最高加权析取实体之前可以找到的最小位？懒惰,但如果你可以为了彻底而付出额外的努力呢？
(顺便说一下,我在大学时的工作理念？)