Python正则表达式匹配日期

我正在抓取并保存（以逗号分隔的文本文件）美国众议院唱名表决的信息

结果文件中的每一行采用以下形式：

唱名编号、法案、日期、代表、投票、赞成票总数、反对票总数

我遇到的麻烦是把日期从2001年11月1日（点名414）推迟到现在。正则表达式没有匹配2001年11月1日，而是匹配错误或中断。在第一种情况下，它匹配字符串“-和-”。文本确实在#414和#415之间更改，以包含字符串“yes-and-NAYS”

我打赌我把正则表达式写错了，但我看不出来。我可能需要更改什么来匹配日期？相关代码如下

import urllib2, datetime, sys, re, string
import xml.etree.ElementTree as ET

for i in range(414,514):
    if i < 10:
        num_string = "00"+str(i)
    elif i < 100:
        num_string = "0"+str(i)
    elif i > 100:
        num_string = str(i)
    print num_string, datetime.datetime.now()
    url = "http://clerk.house.gov/evs/2001/roll"+num_string+".xml"
    text = urllib2.urlopen(url).read()
    tree = ET.fromstring(text)
    notags = ET.tostring(tree, encoding="utf8", method="text")
    dte = re.search(r'[0-9]*-[A-Za-z]*-[0-9]*', notags).group()
    print dte

导入urllib2、日期时间、系统、re、字符串 将xml.etree.ElementTree作为ET导入 对于范围内的i（414514）： 如果i<10： num_string=“00”+str（i） 如果i<100： num_string=“0”+str（i） 如果i>100： num_string=str（i） 打印num_字符串，datetime.datetime.now（） url=”http://clerk.house.gov/evs/2001/roll“+num_字符串+”.xml” text=urlib2.urlopen（url.read（）） tree=ET.fromstring（文本） notags=ET.tostring（树，encoding=“utf8”，method=“text”） dte=re.search（r'[0-9]*-[A-Za-z]*-[0-9]*'，notags.group（） 打印dte

---

对XML文档使用正则表达式从来都不是一个好主意（说真的）

通过从相关的XML元素中提取日期（我使用了

lxml.etree

而不是

XML.etree.ElementTree

，但原理是一样的），您可以在不使用任何正则表达式的情况下获得所需的结果

此外，我还添加了一种更简单的方法来生成一个3位数的数字（如有必要，则前导0）

---

如果您坚持使用正则表达式，那么

[0-9]+-[a-Za-z]+-[0-9]+

会更好，因为它保证至少有一个数字后面跟破折号，后面跟至少一个字母，后面跟破折号，后面跟至少一个数字（正如holdenweb在评论中提到的）.

使用

datetime

模块解析日期要容易得多。您可以使用比regex更清晰的界面指定自定义格式。这只是一个简单的问题：由于数字是必需的，您可能至少需要

r'[0-9]+-[a-Za-z]*-[0-9]+'

，因此这些模式元素不能匹配空字符串。由于年份总是（？）包含四位数字，您甚至可以使用

r'[0-9]*-[A-Za-z]*-[0-9]{4}'

。您正在使用与日期匹配的正则表达式解析整个XML文档-坏主意（tm）。首先提取相关元素，然后用正则表达式解析它。提示：找到

元素并解析其中的文本。还有一点-如果没有匹配项，则

re.search（）

将返回

None

，它没有

.groups（）

方法，因此您的代码将出现AttributeError异常。这非常有效。我觉得自己很傻；我甚至没有考虑利用现有的结构。

import urllib2, datetime, sys, string
import lxml.etree

for i in range(414,416):
    num_string = '{:03d}'.format(i)
    print num_string, datetime.datetime.now()
    url = "http://clerk.house.gov/evs/2001/roll"+num_string+".xml"
    xml = lxml.etree.parse(urllib2.urlopen(url))
    root = xml.getroot()
    actdate = root.xpath('//action-date')[0]
    dte = actdate.text.strip()
    print dte