如何将与正则表达式匹配的所有字符串放入Python中的列表中？

Question

因此，在我的Python脚本中，我打开了一个文本文件，其中包含的日期格式为“1991年1月26日”

下面是我的正则表达式：

pattern = """
(?:(September|April|June|November),\ (0?[1-9]|[12]\d|30),\ ((?:19|20)\d\d))#Months   with 30 days
|(?:(January|March|May|July|August|October|December),\ (0?[1-9]|[12]\d|3[01]),\ ((?:19|20)\d\d))#Months with 31 days
|(?:February, (?:(?:(0?[1-9]|1\d|2[0-8]),\ ((?:19|20)\d\d))|(?:(29),\ ((?:(?:19|20)(?:04|08|12|16|20|24|28|32|36|40|44|48|52|56|60|64|68|72|76|80|84|88|92|96))|2000))))#February with 28 days or 29 with a leap year
"""

r = re.compile(pattern, re.VERBOSE)

此正则表达式应匹配任何实际日期，包括闰年的2月29日。

我遇到的问题是找出一种方法来浏览我打开的文本文件，并将所有匹配的日期放入一个列表中。我尝试过使用.match，.search，.split和其他的工具，但是我没有任何的运气。有没有办法把所有的匹配项都作为一个字符串放到一个列表中，这样我就可以很容易地将这个列表与另一个列表进行比较，并找到两个列表中的所有日期？基本上，我想要一个列表出来，看起来像这样

“1990年1月1日”，“2012年2月29日”，“1945年12月25日”，....

另外，请让我知道我的正则表达式是否正确。我修改了另一个问题的答案，我不确定我是否正确，因为我不能看到我的文本文件中的日期是否匹配。

Answer 1

在你尝试过的事情列表中，你没有提到re.findall()。这将为您提供所有正则表达式匹配的列表。

但是，您需要使用所有非捕获组(?:...)，否则您将获得所有匹配组的列表(...)。因此，我建议

pattern = """
    (?:September|April|June|November)
    ,[ ] 
    (?:0?[1-9]|[12]\d|30)
    ,[ ]
    (?:19|20)\d\d # Months with 30 days

    |

    (?:January|March|May|July|August|October|December)
    ,[ ] 
    (?:0?[1-9]|[12]\d|3[01])
    ,[ ] 
    (?:19|20)\d\d # Months with 31 days

    |

    February
    ,[ ] 
    (?:
     (?:0?[1-9]|1\d|2[0-8])
     ,[ ] 
     (?:19|20)\d\d
    |
     29
     ,[ ] 
     (?:
      (?:19|20)
      (?:04|08|12|16|20|24|28|32|36|40|44|48|
         52|56|60|64|68|72|76|80|84|88|92|96)
     |
      2000
     )
    ) # February with 28 days or 29 with a leap year"""

但是，您真的需要验证日期的正确性吗？您是否希望像February, 31, 2000这样的错误日期出现在您的数据中？如果没有，您可以极大地简化您的正则表达式。或者至少将日期验证委托给一个日期解析函数，该函数比庞大的正则表达式更适合这项任务。

例如：

pattern = """
    (?:January|February|March|April|May|June|
       July|August|September|October|November|December)
    ,[ ]
    [0-3]?\d
    ,[ ]
    (?:19|20)\d\d
"""

匹配像January, 0, 1999或February, 31, 2000这样的胡言乱语，但这真的重要吗？

Answer 2

您可以使用简单的正则表达式进行预处理，并使用datetime.strptime()函数验证日期：

import re
from datetime import datetime

def extract_date_strings(text):
    return filter(valid_date, re.findall(r"[A-Z][a-z]+, \d\d?, \d{4}", text))

def valid_date(datestr):
    try:
        return datetime.strptime(datestr, "%B, %d, %Y") #note: locale dependent
    except ValueError: 
        return None

您可以使用此代码将测试结果与您的代码进行比较。

示例

print extract_date_strings('''"January, 1, 1990", "February, 29, 2012",
     "December, 25, 1945"
     May, 40, 1945 Not a Month, 20, 1945
     February, 29, 2000 February, 29, 1900
     May, 1, 199
     ''')

输出

['January, 1, 1990', 'February, 29, 2012', 'December, 25, 1945', 
 'February, 29, 2000']

Answer 3

随机思考：

如果您需要询问您的正则表达式是否正确，那就太复杂了。

re.VERBOSE的想法是使您的正则表达式清晰易读，而不是附加任何隐藏的明显注释。如果你看到水平滚动条，你的废话太长了。

如果findall不存在，您可以编写一个循环，该循环将使用search查找下一个匹配项，并使用match_object.end()查找search的pos参数

def myfindall(regex, strg):
    alist = []
    pos = 0
    while True:
        m = regex.search(strg, pos)
        if not m: break
        alist.append(m.group(0))
        pos = m.end()
    return alist

您确定月份名称后应该有一个逗号吗？