Question

我试图从几篇文章中提取日期。当我测试正则表达式时，模式只匹配感兴趣的信息的一部分。如你看到的： https://regex101.com/r/ATgIeZ/2

这是文本文件的示例：

|[<p>Advertisement ,   By  MILAN SCHREUER  and     ALISSA J. RUBIN    OCT. 5, 2016 
 ,  BRUSSELS — A man wounded two police officers with a knife in Brussels around...] 3004
[<p>Advertisement ,   By   DAVID JOLLY    FEB. 8, 2016 
 ,  KABUL, Afghanistan — A  Taliban  suicide bomber killed at least three people on Mo JULY 14, 2034

我正在使用的提取模式和代码就是这个：

import re 

text_open = open("News_cleaned_definitive.csv")
text_read = text_open.read()
pattern = ("[A-Z]+\.*\s(\d+)\,\s(\d+){4}")
result = re.findall(pattern,text_read)
print(result)

Anaconda的输出是：

[('5', '6'), ('7', '5'), ('1', '6'), .....]

预期输出为：

OCT. 5, 2016, FEB. 8, 2016, JULY 14, 2034 .....

Answer 1

问题是重复命令<div class="row row-2"> <div></div> <div></div> </div> <div class="row row-3"> <div></div> <div></div> <div></div> </div> <div class="row row-2"> <div></div> <div></div> </div>，它位于您的最后一组之外。此外，捕获月份的正则表达式不在组中

修复如下：

{4}

您的数据样本的结果：

pattern = r"([A-Z]+)\.?\s(\d+)\,\s(\d{4})"

小额外修复：

可以有0或1个点。已删除[('OCT', '5', '2016'), ('FEB', '8', '2016'), ('JULY', '14', '2034')]

\.*

使用“raw”前缀，在定义正则表达式字符串时总是更好（这里没有问题，但例如\.?可能会发生）

Answer 2

感谢您的建议，它有助于理解正则表达式中括号的使用。我用这个解决了自己：

pattern=("([A-Z]+\.*\s)(\d+)\,\s(\d{4})")

正则表达式|从文本中提取日期

2 个答案: