如何使用Python和正则表达式从引用中提取页码？

Question

我正在尝试使用正则表达式从引用中提取页码。

下面是我正在处理的测试数据：

• “日刊名称”，第20卷，第2号；第15页
• 期刊名称，第20卷，第2期:人名(1990-2010年)；第15页
• 期刊名称，第20卷，第2期:人名(1990-2010年)；pp。15-20
• 期刊名称，第20卷，第2期:人名(1990-2010年)；第15页-
• 期刊名称，第20卷，第2期；20-25
• 期刊名称，第20卷，第2期；ISSN：1234-1234 (打印)；20-25
• 期刊名称，第20卷，第2期；20-25；ISSN：1234-1234 (打印)
• 期刊名称，第20卷，第2期；ISSN：1234-1234 (打印)；ISSN：1234-1234 (在线)；20-25
• 期刊名称，第20卷，第2号；ISSN 1234-1234 (打印)；ISSN 1234-1234 (在线)；20-25

当使用以下正则表达式时：

(?![^()]*\))(\d+-\d+)

上面粗体的值是匹配的。

我希望改进这个正则表达式，使其不匹配在“ISSN”或“ISSN：”之后出现的任何\d+-\d+。我尝试过使用(?<![ISSN:?\s])添加一个外观，但没有成功。

对于如何做到这一点，并只匹配下面的价值观，有什么想法吗？

• “日刊名称”，第20卷，第2号；第15页
• 期刊名称，第20卷，第2期:人名(1990-2010年)；第15页
• 期刊名称，第20卷，第2期:人名(1990-2010年)；pp。15-20
• 期刊名称，第20卷，第2期:人名(1990-2010年)；第15页-
• 期刊名称，第20卷，第2期；20-25
• 期刊名称，第20卷，第2号；ISSN: 1234-1234 (打印)；20-25
• 期刊名称，第20卷，第2期；20-25；ISSN: 1234-1234 (打印)
• 期刊名称，第20卷，第2期；ISSN: 1234-1234 (打印)；ISSN: 1234-1234 (在线)；20-25
• 期刊名称，第20卷，第2期；ISSN 1234-1234 (印刷品)；ISSN 1234-1234 (在线)；20-25

Answer 1

这解决了我的问题：

re.search(r'[^ISN:?](?![^()]*\))\s(\d+-\d+)', s).group(1)

谢谢大家的帮助。更好的解决办法仍然值得欢迎。

Answer 2

您可以使用^和$锚点的另一个负面展望：

^((?!ISSN).)*(?![^()]*\))\s(\d+-\d+)$

请注意，如果要在多行文本上应用此正则表达式，则需要使用re.M标志！这使得开始和结束锚与每一行的开始和结束匹配，而不是整个字符串！

此外，您还需要在第二个组\s之前添加一个s(\d+-\d+)，然后您的正则表达式中的第二个匹配将是所需的数字！

演示

>>> s="""Journal Name, Vol. 20, No. 2; p. 15
... Journal Name, Vol. 20, No. 2: Human Name (1990-2010); p. 15
... Journal Name, Vol. 20, No. 2: Human Name (1990-2010); pp. 15-20
... Journal Name, Vol. 20, No. 2: Human Name (1990-2010); pp. 15-
... Journal Name, Vol. 20, No. 2; 20-25
... Journal Name, Vol. 20, No. 2; ISSN: 1234-1234 (Print); 20-25
... Journal Name, Vol. 20, No. 2; 20-25; ISSN: 1234-1234 (Print)
... Journal Name, Vol. 20, No. 2; ISSN: 1234-1234 (Print); ISSN: 1234-1234 (Online); 20-25
... Journal Name, Vol. 20, No. 2; ISSN 1234-1234 (Print); ISSN 1234-1234 (Online); 20-25"""
>>> 

>>> re.findall(r'^((?!ISSN).)*(?![^()]*\))\s(\d+-\d+)$',s,re.M)
[('.', '15-20'), (';', '20-25')]

为了得到数字：

>>> [i[-1] for i in re.findall(r'^((?!ISSN).)*(?![^()]*\))\s(\d+-\d+)$',s,re.M)]
['15-20', '20-25']