正規表現は、私のようなウェブサイトからのコンテンツを掻き取るbeautifulsoup使用していBeautifulSoup

Question

でウェブサイトから日付を抽出します。私はPythonの正規表現に文字列をコピー - ペーストした場合だから私は、日付と一致しない

date = data.findAll(text=re.compile("Berlin, \d{2}. \w+\b \d{4}")) 

と

date = dat.match(text) 

の両方を試してみました。しかし、ここでは両方のオプションが機能していないようです。誰かが私の問題点を教えてもらえますか？ありがとう！

Answer 1

あなたのウェブスクレイピングが正しくデータを収集していると仮定すると、あなたがつかむ文字列が...

>>> import re 
>>> string = "Berlin, 30. November 2016." 
>>> res = re.search("(\d+).+?(\w+).+?(\d+)", string) 
>>> res.group(1) 
'30' 
>>> res.group(2) 
'November' 
>>> res.group(3) 
'2016' 

"Berlin, 30. November 2016."のように見えるので、

あなただけのとても (と )にしたい言葉/数字を囲む必要があり
• 後でマッチグループをつかむことができます。またはfindallを使用することができますが、1つのマッチが必要なので、過剰です。
• 個々のグループを必要としない場合は、一致パターン全体を取得するには、同じパターンをres.group()で単に使用してください。

Answer 2

dat = re.compile("Berlin, \d{2}\. \w+ \d{4}") 

に変更

dat = re.compile("Berlin, \d{2}. \w+\b \d{4}") 

正規表現でキーワード.をエスケープし、それを使用する必要があり、\bを削除しない

。

変更

date = dat.match(text) 

\nBerlin, 30. November 2016. Zum s....と

date = dat.search(text) 

text開始し、先頭に新しい行があり、matchは、\nで開始search

に変更します