Python 使用regex重新订购版权

我需要把版权年放在字符串的开头。以下是我可能的输入：

(c) 2012 10 DC Comics
2012 DC Comics
10 DC Comics. 2012
10 DC Comics , (c) 2012.
10 DC Comics, Copyright 2012
Warner Bros, 2011
Stanford and Sons, Ltd. Inc. (C) 2011. All Rights Reserved.
...etc...

从这些输入中，我需要始终以相同的格式输出-

2012. 10 DC Comics.
2011. Warner Bros.
2011. Stanford and Sons, Ltd. Inc. All Rights Reserved
etc...

如何结合使用字符串格式和正则表达式来实现这一点

这需要清理，但这是我目前正在做的：

### copyright
copyright = value_from_key(sd_wb, 'COPYRIGHT', n).strip()
m = re.search('[0-2][0-9][0-9][0-9]', copyright)
try:
    year = m.group(0)
except AttributeError:
    copyright=''
else:
    copyright = year + ". " + copyright.replace(year,'')
    copyright = copyright.rstrip('.').strip() + '.'

if copyright:
    copyright=copyright.replace('\xc2\xa9 ','').replace('&', '&').replace('(c)','').replace('(C)','').replace('Copyright', '')
    if not copyright.endswith('.'):
        copyright = copyright + '.'
    copyright = copyright.replace('  ', ' ')

---

一个不使用正则表达式的答案怎么样

tests = (
    '(c) 2012 DC Comics',
    'DC Comics. 2012',
    'DC Comics, (c) 2012.',
    'DC Comics, Copyright 2012',
    '(c) 2012 10 DC Comics',
    '10 DC Comics. 2012',
    '10 DC Comics , (c) 2012.',
    '10 DC Comics, Copyright 2012',
    'Warner Bros, 2011',
    'Stanford and Sons, Ltd. Inc. (C) 2011. All Rights Reserved.',
    )

def reorder_copyright(text):
    year = None
    first = []
    second = []
    words = text.split()
    if words[0].lower() in ('(c)','copyright'):
        year = words[1]
        company = ' '.join(words[2:])
    for i, word in enumerate(words):
        if word.lower() in ('(c)','copyright'):
            year = words[i+1]
            company = ' '.join(words[:i] + words[i+2:])
            break
    else:
        year = words[-1]
        company = ' '.join(words[:-1])
    year = year.strip(' ,.')
    company = company.strip(' ,.')
    return "%s. %s." % (year, company)

if __name__ == '__main__':
    for line in tests:
        print(reorder_copyright(line))

搜寻

^（c\）\s+（？P\d{4}）\s+（？P\d{2}）。*$P\d{2}.*（？P\d{4}）\。？

替换

\g<year>. \g<digits> DC Comics.

\g\g DC漫画。

这适用于任何四位数年份（不仅仅是2012年）和任何两位数数字（不仅仅是10年）。不知道你是否需要。这太难看了，无法解释：）

---

编辑：在我发布这个答案后，OP改变了输入和输出，所以它不会工作。往前走，这里什么也看不见。

这很混乱，我不确定你会得到一个完美的解决方案，但你可以通过做三件事来实现大部分目标：

以版权为目标，而不是文本的其余部分，并为regexp定义一个“标准”，为每个匹配提供相同的结果集

使用

|

排序不同regexp的列表，这些regexp将匹配第一个可以匹配的regexp（从左到右），例如，您希望在“2012”之前匹配“（c）2012”

添加一个单独的最后阶段来清理标点和空格

对于第一部分，我建议您需要返回三件事：

之前

，

年份

，以及

之后

，其中

之前

或

之后

可能不存在，但它们一起可以为您提供所需的结果，但年份除外

换句话说，在之前、年份和之后使用

b

、

y

和

a

：

(c) 2012 10 DC Comics
    yyyy aaaaaaaaaaaa

2012 DC Comics
yyyy aaaaaaaaa

10 DC Comics , (c) 2012.
bbbbbbbbbbbb       yyyy

Stanford and Sons, Ltd. Inc. (C) 2011. All Rights Reserved.
bbbbbbbbbbbbbbbbbbbbbbbbbbbb     yyyy  aaaaaaaaaaaaaaaaaaaa

（请注意，我们没有命名“（c）”等，因为您不希望这样）

因此，考虑到上述情况，第一次尝试regexp可能是：

(?i)(?:(?P<before>.*)\s*Copyright\s*(?P<year>\d{4})(?P<after>.*)|
       (?P<before>.*)\s*\(c\)\s*(?P<year>\d{4})(?P<after>.*)|
       (?P<before>.*)\s*(?P<year>\d{4})(?P<after>.*))

或者，使用

.sub（）

，类似于：

d = match.groupdict()
d['year'] + ' ' + d.get('before', '') + ' ' + d.get('after', '')

re.sub(..., r'\g<year> \g<before> \g<after>', ...)

re.sub（…，r'\g\g\g'，…）

最后，您可能会发现需要另一个过程来删除奇怪的标点符号（删除紧跟句点的任何逗号，用一个空格替换多个空格等）。

此程序：

from __future__ import print_function
import re

tests = (
    '(c) 2012 DC Comics',
    'DC Comics. 2012',
    'DC Comics, (c) 2012.',
    'DC Comics, Copyright 2012',
    '(c) 2012 10 DC Comics',
    '10 DC Comics. 2012',
    '10 DC Comics , (c) 2012.',
    '10 DC Comics, Copyright 2012',
    'Warner Bros, 2011',
    'Stanford and Sons, Ltd. Inc. (C) 2011. All Rights Reserved.',
)

for input in tests:
    print("<", input)
    output = re.sub(r'''
            (?P<lead> (?: \S .*? \S )?? )
            [\s.,]*
            (?: (?: \( c \) | copyright ) \s+ )?
            (?P<year> (?:19|20)\d\d )
            [\s.,]?
        ''', r"\g<year>. \g<lead>", input, 1, re.I + re.X)
    print(">", output, "\n")

from\uuuuu future\uuuuu导入打印功能
进口稀土
测试=(
"(c)2012 DC漫画",，
“DC漫画2012”，
“DC漫画（c）2012”，
“DC漫画，版权所有2012”，
"(c)2012年10DC漫画",，
“10 DC漫画2012”，
“10 DC漫画，（c）2012”，
“10 DC漫画，版权所有2012”，
“华纳兄弟，2011年”，
“斯坦福父子有限公司（C）2011。保留所有权利。”，
)
对于测试中的输入：
打印（“，输出“\n”）

在Python 2.7或3.2下运行时，生成以下输出：

< (c) 2012 DC Comics
> 2012. DC Comics 

< DC Comics. 2012
> 2012. DC Comics 

< DC Comics, (c) 2012.
> 2012. DC Comics 

< DC Comics, Copyright 2012
> 2012. DC Comics 

< (c) 2012 10 DC Comics
> 2012. 10 DC Comics 

< 10 DC Comics. 2012
> 2012. 10 DC Comics 

< 10 DC Comics , (c) 2012.
> 2012. 10 DC Comics 

< 10 DC Comics, Copyright 2012
> 2012. 10 DC Comics 

< Warner Bros, 2011
> 2011. Warner Bros 

< Stanford and Sons, Ltd. Inc. (C) 2011. All Rights Reserved.
> 2011. Stanford and Sons, Ltd. Inc All Rights Reserved. 

<（c）2012 DC漫画
> 2012. DC漫画
 2012. DC漫画
 2012. DC漫画
 2012. DC漫画
<（c）2012年10部DC漫画
> 2012. 10 DC漫画
<10 DC漫画。2012
> 2012. 10 DC漫画
<10 DC漫画，（c）2012年。
> 2012. 10 DC漫画
<10 DC漫画，版权所有2012
> 2012. 10 DC漫画
<华纳兄弟，2011年
> 2011. 华纳兄弟
<斯坦福父子有限公司（C）2011年。版权所有。
> 2011. 斯坦福父子有限公司保留所有权利。

---

这似乎就是您要找的。

好吧，在我发布答案后，您更改了输入。所以它不会对你所有的（新的）输入都起作用。谢谢你的回答。抱歉，我更新了一点，因为我的初始输入太窄。我对正则表达式很糟糕（谁不是？），但是，如果你只得到数字，你应该以年份结束，如果你只得到空格和字母，你应该得到名称。都是DC漫画和2012吗？我开始为它编写一些代码，但如果您在示例输入/输出中包含边界案例，这将非常有用。不，它可以是任何公司。这里有一些关于版权如何呈现的语法示例（很明显，公司名称中可以有数字）。你能把它缩小到所有可能的公司的列表吗？因为很难解释空格、标点符号和版权措辞，这将使它变得更加容易。@DanRedux嗯，我不是

< (c) 2012 DC Comics
> 2012. DC Comics 

< DC Comics. 2012
> 2012. DC Comics 

< DC Comics, (c) 2012.
> 2012. DC Comics 

< DC Comics, Copyright 2012
> 2012. DC Comics 

< (c) 2012 10 DC Comics
> 2012. 10 DC Comics 

< 10 DC Comics. 2012
> 2012. 10 DC Comics 

< 10 DC Comics , (c) 2012.
> 2012. 10 DC Comics 

< 10 DC Comics, Copyright 2012
> 2012. 10 DC Comics 

< Warner Bros, 2011
> 2011. Warner Bros 

< Stanford and Sons, Ltd. Inc. (C) 2011. All Rights Reserved.
> 2011. Stanford and Sons, Ltd. Inc All Rights Reserved.