连字符“”在对BeautifulSoup使用正则表达式时产生问题

Question

我正在学习如何使用Wikepedia文章使用python进行webscrape。我通过对表行（）使用.get\u text（）方法，成功地获得了所需的数据，即表

我正在清理熊猫的数据，其中一个例行程序是获取一本书或一部电影的出版日期。因为这种情况有很多种发生方式，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《福尔摩斯历险记》（1891-1892）（系列），（1892）（小说），亚瑟·柯南·道尔（Arthur Conan Doyle）中的一段特定文本上测试它时，我能够提取（1892），但不能提取（1891-1892）

text = test.get_text()
re.findall(pattern, text)
o/p: ['(1892)']

即使我键入这个，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

谢谢你

Answer 1

我建议增强模式以搜索最常见的连字符-、–和—，并将present模式从字符类固定到字符序列（以便不将sent与[ Ppresent]*匹配）：

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

参见regex demo。注意，re.I标志将使regex以不区分大小写的方式匹配

细节

• \(-a(
• \d{4}-四个数字（{4}是一个限制量词，重复它修改的模式四次）
• (?:[\s–—-]+(?:\d{4}|present))?-可选的（因为结尾有一个?）非捕获（由于?:）组匹配
  • [\s–—-]+-1个或多个空格、-、—或–
  • (?:\d{4}|present)-4位数或present
• \)-a)字符

如果要匹配任何连字符，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–—-]+

或者，要匹配该位置的任何1+非单词字符，可能除了(和)，请使用[^\w()]+：re.compile(r'\(\d{4}(?:[^\w()]+(?:\d{4}|present))?\)', re.I)