正则表达式 |从文本中提取日期

Question

我正在尝试从多篇文章中提取日期。当我测试正则表达式时，模式只匹配部分感兴趣的信息。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

我使用的提取模式和代码是这个：

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 {4} 在您的最后一组之外。此外，捕获月份的正则表达式不在组内

像这样修复它：

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

您的数据样本的结果：

[('OCT', '5', '2016'), ('FEB', '8', '2016'), ('JULY', '14', '2034')]

额外的小修复：

可以有0个或1个点。因此为 \.?

\.*

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 \b 可能会发生）

Answer 2

感谢您的建议，它有助于理解括号在正则表达式中的使用。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

Regular expressions | Extracting dates from text

regex

python-3.x

anaconda