重新模式以包括日期的年份

Question

我对包含日期年份的 re 模式有一些问题。

代码

import re

text ="May 2020 Musical Portraits September 24 - 25, 2021 Time: 8:00 pm Toledo Museum of Art Peristyle  Romeo & JulietSpecial EventWhenFriday, Mar 23 / 20187:30pmBuy TicketsSunday, Mar 25 / 20182:30pmBuy TicketsWhereSamford University Wright CenterMap & DirectionsArtist"
format_list = ["(?:(?:(?:j|J)an)|(?:(?:f|F)eb)|(?:(?:m|M)ar)|(?:(?:a|A)pr)|(?:(?:m|M)ay)|(?:(?:j|J)un)|(?:(?:j|J)ul)|(?:(?:a|A)ug)|(?:(?:s|S)ep)|(?:(?:o|O)ct)|(?:(?:n|N)ov)|(?:(?:d|D)ec))\w*(?:\s)?(?:\n)?[0-9]{1,2}(?:\s)?(?:\,|\.|\/|\-)?(?:\s)?[0-9]{2,4}(?:\,|\.|\/|\-)?(?:\s)?[0-9]{2,4}"]

all_dates=[]

for pattern in format_list:
    all_dates = re.findall(pattern, text)
    if all_dates == []:
        continue
    else:
        for index,txt in enumerate(all_dates):
            text = re.sub('([^\x00-\x7F]+)|(\n)|(\t)',' ', txt)
            all_dates[index] = text
    print(all_dates)

输出

['September 24 - 25, 2021', 'Mar 23 / 20187', 'Mar 25 / 20182']

所需的输出

['September 24 - 25, 2021', 'Mar 23 / 2018', 'Mar 25 / 2018']

问题

我得到的是"…20187" 和"…20182"，而不是"…2018"。

Answer 1

这种模式可能会完成您需要的工作

(?:jan|feb|mar|apr|may|jun|jul|aug|sep|oct|nov|dec)\w{0,6}\s+[\d\s\-\\/,]+?\d{4}

代码：

import re

text ="May 2020 Musical Portraits September 24 - 25, 2021 Time: 8:00 pm Toledo Museum of Art Peristyle  Romeo & JulietSpecial EventWhenFriday, Mar 23 / 20187:30pmBuy TicketsSunday, Mar 25 / 20182:30pmBuy TicketsWhereSamford University Wright CenterMap & DirectionsArtist"
format_list  = [
    # r"(?:jan|feb|mar|apr|may|jun|jul|aug|sep|oct|nov|dec)\w{0,6}[\d\s\-\\/,]*?\d{4}",  # If you want to also match e.g. May 2020
    r"(?:jan|feb|mar|apr|may|jun|jul|aug|sep|oct|nov|dec)\w{0,6}\s+[\d\s\-\\/,]+?\d{4}",
]

for pattern in format_list:
    all_dates = re.findall(pattern, text, re.IGNORECASE)
    print(all_dates)

输出：

['September 24 - 25, 2021', 'Mar 23 / 2018', 'Mar 25 / 2018']

地点：

• (?:jan|feb|mar|apr|may|jun|jul|aug|sep|oct|nov|dec) - 匹配月份的前缀
• \w{0,6} - 可选匹配月份的全名，最长的是“sep”（来自上一个匹配项）+“tember”
• \s+ - 匹配 1 个或多个空格。
• [\d\s\-\\/,]+? - 匹配天数部分，无论是用空格、破折号还是斜线分隔。
• \d{4} - 匹配年份部分。

请注意，由于正则表达式只是基于字符串的处理，因此您将在此处受限于 "mon day, year" 格式。您将需要其他模式来匹配不同的可能日期格式。您可能想探索可以扫描文本的日期解析器。

Answer 2

只需从您的format_list 中取出最后一个(?:\,|\.|\/|\-)?(?:\s)?[0-9]{2,4}，它应该可以正常工作。只需使用下面的format_list。

format_list = ["(?:(?:(?:j|J)an)|(?:(?:f|F)eb)|(?:(?:m|M)ar)|(?:(?:a|A)pr)|(?:(?:m|M)ay)|(?:(?:j|J)un)|(?:(?:j|J)ul)|(?:(?:a|A)ug)|(?:(?:s|S)ep)|(?:(?:o|O)ct)|(?:(?:n|N)ov)|(?:(?:d|D)ec))\w*(?:\s)?(?:\n)?[0-9]{1,2}(?:\s)?(?:\,|\.|\/|\-)?(?:\s)?[0-9]{2,4}"]