使用正则表达式re.sub删除指定词之前及包含该词的所有内容

Question

我有一个字符串，看起来像是“Blah blah blah, Updated: Aug. 23, 2012”，我想用正则表达式来提取出日期部分Aug. 23, 2012。我在网上找到了一篇类似的文章：正则表达式去掉某个字符前的所有文本，但我试过后发现也不管用。

date_div = "Blah blah blah, Updated: Aug. 23, 2012"
extracted_date = re.sub('^[^Updated]*',"", date_div)

我该怎么做才能去掉“Updated”之前的所有内容，包括“Updated”本身，这样只剩下Aug. 23, 2012呢？

谢谢！

Answer 1

你可以使用前瞻功能：

import re
date_div = "Blah blah blah, Updated: Aug. 23, 2012"
extracted_date = re.sub('^(.*)(?=Updated)',"", date_div)
print extracted_date

输出结果

Updated: Aug. 23, 2012

编辑
如果下面MattDMo的评论是对的，并且你想要把“更新：”也去掉的话，你可以这样做：

extracted_date = re.sub('^(.*Updated: )',"", date_div)

Answer 2

使用正则表达式时，可以根据单词出现的情况使用两种不同的正则表达式。

# Remove all up to the first occurrence of the word including it (non-greedy):
^.*?word
# Remove all up to the last occurrence of the word including it (greedy):
^.*word

你可以查看这个非贪婪正则表达式示例和这个贪婪正则表达式示例。

这里的 ^ 表示字符串的开始位置，.*? 表示匹配任意数量的字符（注意使用 re.DOTALL 标志，这样 . 就可以匹配换行符），并且尽量少匹配字符（而 .* 是尽量多匹配）。接着 word 会匹配并消耗这个单词，也就是说，它会把这个单词加入到匹配结果中，并推进正则表达式的索引。

注意使用 re.escape(up_to_word)：如果你的 up_to_word 里有特殊字符，而不仅仅是字母、数字和下划线，使用 re.escape 会更安全，这样像 (、[、? 这些特殊字符就不会影响正则表达式找到有效的匹配。

你可以查看这个Python 示例：

import re

date_div = "Blah blah\nblah, Updated: Aug. 23, 2012 Blah blah Updated: Feb. 13, 2019"

up_to_word = "Updated:"
rx_to_first = r'^.*?{}'.format(re.escape(up_to_word))
rx_to_last = r'^.*{}'.format(re.escape(up_to_word))

print("Remove all up to the first occurrence of the word including it:")
print(re.sub(rx_to_first, '', date_div, flags=re.DOTALL).strip())
print("Remove all up to the last occurrence of the word including it:")
print(re.sub(rx_to_last, '', date_div, flags=re.DOTALL).strip())

输出结果：

Remove all up to the first occurrence of the word including it:
Aug. 23, 2012 Blah blah Updated: Feb. 13, 2019
Remove all up to the last occurrence of the word including it:
Feb. 13, 2019

Answer 3

在这种情况下，你可以不使用正则表达式来实现，比如：

>>> date_div = "Blah blah blah, Updated: Aug. 23, 2012"
>>> date_div.split('Updated: ')
['Blah blah blah, ', 'Aug. 23, 2012']
>>> date_div.split('Updated: ')[-1]
'Aug. 23, 2012'