Python 连字符'-'；为BeautifulSoup使用正则表达式时产生问题

我正在学习如何使用Wikepedia文章使用python进行webscrape。通过对表行（）使用.get_text（）方法，我成功地获得了所需的数据表

我正在清理熊猫的数据，其中一项例行工作就是获取一本书或一部电影的出版日期。因为有很多方法可以实现这一点，例如： (1986) (1986-1989) （1986年至今）

目前，我正在使用下面的代码处理测试语句：

# get the first columns of row 19 from the table and get its text
test = data_collector[19].find_all('td')[0]
text = test.get_text()
#create and test the pattern
pattern = re.compile('\(\d\d\d\d\)|\(\d\d\d\d-\d\d\d\d\)|\(\d\d\d\d-[ Ppresent]*\)')
re.findall(pattern, 'This is Agent (1857), the years were (1987-1868), which lasted from (1678- Present)')

我得到了测试句子的预期输出

['(1857)', '(1987-1868)', '(1678- Present)']

然而，当我在维基文章《夏洛克·福尔摩斯历险记（1891-1892）（系列）》（1892）（小说）、亚瑟·柯南·道尔（Arthur Conan Doyle）中的特定文本上测试它时，我能够提取（1892），但无法提取（1891-1892）

即使在我输入这个时，我也可以看到我使用的连字符和文本上的连字符是不同的。我确信这就是问题所在，我希望有人能告诉我这个特殊的符号叫什么，以及我如何用键盘“键入”它

---

谢谢大家!

我建议增强模式以搜索最常见的连字符，

-

、

-

和

-

，并将

当前的

模式从字符类修复为字符序列（以免将发送的

与
[Ppresent]*
匹配）：

看。请注意，
re.I
标志将以不区分大小写的方式使正则表达式匹配

详细信息


\（
-a
（
\d{4}
-四位数字（
{4}
是一个限制量词，它将修改的模式重复四次）
（？：[\s–]+（？：\d{4}| present））？
-可选（因为末尾有一个
？
）非捕获（由于
？：
）组匹配

[\s–]+
-1个或多个空格、
-
、
-
或
-
（？：\d{4}存在）
-4位数字或
存在

\）
-a
）
字符

如果您计划匹配任何连字符，请使用
[\u002D\u058A\u05BE\u1400\u1806\u2010-\u2015\u2E17\u2E1A\u2E3A\u2E3B\u2E40\u301C\u3030\u30A0\uFE31\uFE32\uFE58\uFE63\uFF0D\s]+
而不是
[\s-]+/code>

或者，要匹配该位置的任何1+非单词字符，可能除了
（
和
）
，使用
[^\w（）]+
而不是：
re.compile（r'\（\d{4}（？：[^\w（）]+（？：\d{4}present）），re.I）
您确定有连字符而不是em破折号吗？尝试
re.compile（r'\（\d{4}（？：[\s-]+（？：\d{4}存在））？\），re.I）
。请参阅。如果可以使用，可以使用Unicode字符类别
\p{Pd}
来匹配所有破折号-请参阅我同意@Wiktor，字符可能与看起来的不完全相同。另一个解决方案是将“-”替换为“\S”。意思是匹配任何非空白字符
\p{Pd}
都包含很多。但有些看起来不像连字符。然后使用
\u002D\u058A\u05BE\u1400\u1806\u2010-\u2015\u2E17\u2E1A\u2E3A\u2E3B\u2E40\u301C\u3030\u30A0\uFE31\uFE32\uFE58\uFE63\uFF0D
代替连字符/破折号。或者，为了匹配任何非单词字符，可能除了
（
和
）
，
[^\w（）]
=>
re.compile（r'\（\d{4}（？：[^\w（）]+（？：\d{4}present）），re.I）
@WiktorStribiż谢谢！你的解决方案完美无瑕。
text = test.get_text()
re.findall(pattern, text)
o/p: ['(1892)']

re.compile(r'\(\d{4}(?:[\s–—-]+(?:\d{4}|present))?\)', re.I)