Python中的正则表达式月份和年份搜索

这是我的问题。我有一个包含32篇文章的复杂文本文件。由于每篇文章都以32个文档中的1个、32个文档中的2个等开头，因此我使用以下代码将文本拆分为不同的文章：

import re 
sections = [] 
current = []
with open("Aberdeen2005.txt") as f:
    for line in f:
        if re.search(r"(?i)\d+ of \d+ DOCUMENTS", line):        
           sections.append("".join(current))
           current = [line]
        else:
           current.append(line)

print(len(sections)) 

我现在试图提取每篇文章的日期。我注意到日期不是在每篇文章开头的第4行就是第5行。因此，我通过以下方式创建具有此相关行的函数：

def main():
    for i in range(len(sections)): 
        date_row4 = (sections[i].split("\n")[4].split(" "))     
        date_row5 = (sections[i].split("\n")[5].split(" "))

        print(date_row4)
        print(date_row5)

这让我得到了以下列表：

我现在只想通过以下方法找到月份和年份：

months = 'January', 'February', 'March', 'April', 'May', 'June', 'July', 'August', 'September', 'October', 'November', 'December'

month = re.findall(r' \w+ months',date_row4 or date_row5)
year = re.findall(r' \d^20', date_row4 or date_row5 )

尽管如此，它仍然不起作用。我刚开始学习Python，所以我可以想象很多事情都出了问题。任何帮助都将不胜感激

亲切问候,

---

安德烈斯

我不确定我是否会使用正则表达式。

time

模块具有解析日期的工具

>>> import time
>>> time.strptime('December 29, 2005 Thursday', "%B %d, %Y %A").tm_year
2005

---

如果您有几行遗漏了一周中的某一天，您可以使用

尝试
/
，除了
块，首先使用更常见的案例IIUC，您的问题实际上是从“哪个让我得到下面的列表”开始的。（如果是的话，如果我可以问的话，为什么要这样做）

当然，可以使用
re
非常精确地匹配您的精确模式，但我经常发现，使用它的一小部分功能要容易得多。下面的
exp
使用非常简单的正则表达式：

exp = re.compile(r'(\w+) (\d+), (\d+)')

可用于指定所需的常规形式，并可在中使用：

m = exp.search('December 29, 2005')
if m:
     m.groups() # This contains the match

如果需要，您可以进一步检查匹配的月份是否在
months
变量中（如果您选择执行此操作，我会将其更改为
集）。
仅尝试对正则表达式进行排序，更容易修复的是年份。正则表达式必须按照字符的显示顺序：

假设你所有的年龄都在2000年之后，那么你的表达式是
“20\d\d”

接下来的几个月
不幸的是，您正在执行的操作无法正常工作，您不能仅在正则表达式中使用列表，但修复起来很简单：

 months = ['January', 'February' ] # etc
 pattern = '|'.join(months) # this makes a string which would look like: January|February
 month = re.search(months, date_row4 or date_row5).group() # this will return a string instead of a list

尽管有更好的方法使用datetime模块

import re
for section in sections: 
    date_row4 = section.split("\n")[4].split(" ")     
    date_row5 = section.split("\n")[5].split(" ")

    match = re.search(r'(\w+)\s+\d{1,2},\s+(\d{4})', date_row4)
    if not match:
        match = re.search(r'(\w+)\s+\d{1,2},\s+(\d{4})', date_row5)

    if match:
        month = match.group(1)
        year = match.group(2)

Upd：虽然使用日期格式要好得多。
因为没有零填充日期，例如“4月5日”，所以不起作用-（我的错，你是对的。这比regexp好得多：-）我还建议
datetime.strtime（）
。你能发布你的文件的样本吗？你的问题为什么不以“哪个让我得到下面的列表”部分开头？既然OP有
个月的列表，你可以做初始的
（\w+）
更具体地说，插入
“|”。首先加入（月）
@PaulMcGuire，如果你是写pyparsing-kudos的人。我完全同意。然而，我的观点是，有时候你可以从re中受益，而不知道如何做每件事。我是，谢谢实际上，我现在正在编写一个Meetup教程，使用日期解析作为介绍性示例。由于OP已经将输入文件剔除为仅包含日期字符串的行，因此RE可能会执行此操作。我可能会让它更能容忍空格的变化（没有空格，多个空格，等等）——令人惊讶的是，有多少垃圾会爬进“格式良好”的文本文件中。事实上，我们已经看到了这篇关于这方面的文章，因为“日期要么在每篇文章开头的第4行，要么在第5行”。这对你很好，@PaulMcGuire！代码看起来非常好，谢谢！然而，我得到了以下错误：“预期的字符串或类似字节的对象”，并且指向“match=re.search（r'（\w+）\s+\d{1,2}、\s+（\d{4}）、daterow4））”的行。你知道为什么吗？@AndresAzqueta
date_row4”）“
有第二个结束括号吗？不需要。如果不是这样，你能在那之前
打印date_row4
吗？没有第二个括号。并且不允许我打印（date_row4）和打印（date_row5）…我发现以下错误：标识中制表符和空格的使用不一致可能与复制粘贴的代码混淆，请尝试在编辑器中打开制表符/空格视图，然后再次检查，它应该是一致的。