如何从Python包文件名中准确提取包名与版本号？

痛点解析 #

Python包文件名（如whl、tar.gz）的结构看似规律，但包名可能包含数字、下划线/连字符混用，版本号遵循PEP 440规范（支持.dev、.post、rc等后缀），常规的cut/grep/sed分割逻辑很容易在certifi-2024.2.2、charset-normalizer-3.3.2这类案例上出错——要么误把版本号的部分字符当成包名，要么截断版本号。

核心正则逻辑 #

基于PEP 426的包命名规范，文件名的核心结构为：{包名}-{版本号}-[平台信息].{后缀}。我们可以用正则精准捕获包名和版本号：

• 包名：由字母、数字、下划线、连字符组成，直到遇到以数字开头的版本号
• 版本号：以数字开头，包含字母、数字、点、下划线、连字符，覆盖所有PEP 440格式
• 忽略版本号后的平台信息和后缀

可直接使用的Bash脚本 #

提取函数 #

extract_pkg_info() {
    local filename="$1"
    # 正则匹配：捕获包名、版本号，兼容whl/tar.gz/zip后缀
    if [[ "$filename" =~ ^([a-zA-Z0-9_\-]+)-([0-9][0-9a-zA-Z_\.\-]*)(?:-[^.]*)?\.(whl|tar\.gz|zip)$ ]]; then
        local pkg_name="${BASH_REMATCH[1]}"
        local pkg_version="${BASH_REMATCH[2]}"
        # 可选：将下划线转为连字符（部分包文件名用下划线替代标准连字符）
        pkg_name="${pkg_name//_/-}"
        echo "包名: $pkg_name | 版本号: $pkg_version"
    else
        echo "⚠️ 无法解析: $filename"
    fi
}

测试验证 #

针对之前失败的案例，测试结果如下：

• 输入：certifi-2024.2.2-py3-none-any.whl → 输出：包名: certifi | 版本号: 2024.2.2
• 输入：charset-normalizer-3.3.2.tar.gz → 输出：包名: charset-normalizer | 版本号: 3.3.2
• 输入：charset_normalizer-3.3.2-py3-none-any.whl → 输出：包名: charset-normalizer | 版本号: 3.3.2
• 输入：scikit-learn-1.4.1.post1-cp310-cp310-manylinux_2_17_x86_64.whl → 输出：包名: scikit-learn | 版本号: 1.4.1.post1
• 输入：pytest-8.1.0rc1-py3-none-any.whl → 输出：包名: pytest | 版本号: 8.1.0rc1

批量处理目录下的包文件 #

# 遍历当前目录下所有包文件
for pkg_file in *.whl *.tar.gz *.zip; do
    [[ -f "$pkg_file" ]] && extract_pkg_info "$pkg_file"
done

关键细节说明 #

1. 正则非捕获组：(?:-[^.]*)? 用于匹配版本号后的平台信息（如-py3-none-any），但不捕获，避免干扰包名和版本号的提取
2. 版本号匹配规则：[0-9][0-9a-zA-Z_\.\-]* 确保版本号以数字开头，兼容所有PEP 440允许的格式（包括预发布版本、.post后缀等）
3. 下划线转连字符：可选步骤，因为部分包的文件名用下划线（如charset_normalizer），但PyPI上的正式包名是连字符，根据需求可删除该逻辑

内容的提问来源于stack exchange，提问作者Stephen Paulin