正则表达式从电子邮件文本中提取日期和时间

Question

我有一个包含大量文本的文件。 其中一些看起来像这样：

X-DSPAM-Processed: Fri Jan  4 18:10:48 2008
X-DSPAM-Confidence: 0.6178
X-DSPAM-Probability: 0.0000

Details: http://source.sakaiproject.org/viewsvn/?view=rev&rev=39771

Author: louis@media.berkeley.edu
Date: 2008-01-04 18:08:50 -0500 (Fri, 04 Jan 2008)
New Revision: 39771

Modified:
bspace/site-manage/sakai_2-4-x/site-manage-tool/tool/src/bundle/sitesetupgeneric.properties
bspace/site-manage/sakai_2-4-x/site-manage-tool/tool/src/java/org/sakaiproject/site/tool/SiteAction.java
Log:
BSP-1415 New (Guest) user Notification

我只需要提取遵循此模式的日期：

2008-01-04 18:08:50 -0500

这是我尝试过的：

import re

text = open('mbox-short.txt')
for line in text:
    dates = re.compile('\d{4}(?P<sep>[-/])\d{2}(?P=sep)\d{2}\s\d{2}:\d{2}:]\d{2}\s[-/]\d{4}')
    print(dates)

text.close()

我得到的回报是数百：

\d{4}(?P<sep>[-/])\d{2}(?P=sep)\d{2}\s\d{2}:\d{2}:]\d{2}\s[-/]\d{4}

Answer 1

两件事情：

首先，正则表达式本身：

regex = re.compile(r'\b\d{4}[-/]\d{2}[-/]\d{2}\s\d{2}:\d{2}:\d{2}\s[-+]\d{4}\b')

其次，您需要调用regex.findall(file) ，其中file是一个字符串：

>>> regex.findall(file)
['2008-01-04 18:08:50 -0500']

re.compile()生成一个已编译的正则表达式对象 。 findall是此对象的几种方法之一，可让您进行实际的搜索/匹配/查找。

最后：您当前正在使用命名的捕获组。 （ (?P<sep>[-/]) ）从您的问题中，“我只需要提取遵循此模式的日期”，看来您并不需要这些日期。 您要提取整个表达式，而不是捕获“分隔符”，这是捕获组的目的。

完整的代码块：

>>> import re
>>> regex = re.compile(r'\b\d{4}[-/]\d{2}[-/]\d{2}\s\d{2}:\d{2}:\d{2}\s[-+]\d{4}\b')
>>> with open('mbox-short.txt') as f:
...     print(regex.findall(f.read()))
...     
['2008-01-04 18:08:50 -0500']

Answer 2

这是另一个解决方案。

import re
numberExtractRegex = re.compile(r'(\d\d\d\d[-]\d\d[-]\d\d\s\d\d[:]\d\d[:]\d\d\s[-]\d\d\d\d)')
print(numberExtractRegex.findall('Date: 2008-01-04 18:08:50 -0500 (Fri, 04 Jan 2008), Date: 2010-01-04 18:08:50 -0500 (Fri, 04 Jan 2010)'))