Python - 正则表达式 - 字母和数字的组合（未定义长度）

Question

我正在尝试从文本文件中获取文件 ID。 在上面的示例中，文件名是d735023ds1.htm ，我想获取它以构建另一个 url。 这些文件名的长度不同，我需要一个通用的正则表达式来涵盖所有可能性。

示例文件名

d804478ds1a.htm。
d618448ds1a.htm。
d618448.htm

我的代码

for cik in leftover_cik_list:

    r = requests.get(filing.url)
    content = str(r.content)
    fileID = None

    for line in content.split("\n"):
    
        if fileID == None:
            fileIDIndex = line.find("<FILENAME>")
            
            if fileIDIndex != -1:
                trimmedText = line[fileIDIndex:]
                result = RegEx.search(r"^[\w\d.htm]*$", trimmedText)
            
                if result:
                    fileID = result.group()

    print ("fileID",fileID)

    document_link = "https://www.sec.gov/Archives/edgar/data/{0}/{1}/{2}.htm".format(cik, accession_number, fileID)

    print ("Document Link to S-1:", document_link)

Answer 1

import re

...
result = re.search('^d\d{1,6}.+\.htm$', trimmedText)
if result:
    fileID = result.group()

^d = 以广告开头

\\d{1,6} = 寻找 1-6 位数字，如果可以有无限数量的数字替换为 \\d{1,}

.+ = 通配符

\\.htm$ = 以 .htm 结尾

Answer 2

您应该尝试re.match()在输入字符串的开头搜索模式。 另外，你的正则表达式不好，你必须在. ，因为点在正则表达式中表示“任何字符”。

import re
result = re.match('[\w]+\.htm', trimmedText)

Answer 3

试试这个正则表达式：

import re
files = [
    "d804478ds1a.htm",
    "d618448ds1a.htm",
    "d618448.htm"
]
for f in files:
    match = re.search(r"d\w+\.htm", f)
    print(match.group())

d804478ds1a.htm
d618448ds1a.htm
d618448.htm

上面的假设是文件名以d开头，以.htm结尾，并且只包含字母、数字和下划线。