Python正则findall返回多余空串原因及多场景日期匹配优化
正则匹配返回空字符串的原因与优化方案
空字符串的产生原因
Python re 模块的findall()有固定运行规则:当正则表达式包含多个捕获分组时,返回值会是元组,元组内按分组顺序存放每个分组的匹配结果。如果某次匹配没命中某个分组,对应位置就会返回空字符串。
拆解原正则的分组结构:
(USE\s+BY.*(?P<expiration>\d{1,2}/\d{1,2}/\d{2,4}))|(DATE\s+FILLED.*(?P<date_filled>\d{1,2}/\d{1,2}/\d{2,4}))
整个表达式一共包含4个捕获分组:
- USE BY分支的整段匹配内容
- USE BY分支下的日期捕获组
expiration - DATE FILLED分支的整段匹配内容
- DATE FILLED分支下的日期捕获组
date_filled
匹配DATE FILLED 6/23/20时,两个USE BY对应的分组没有命中,就会在元组前两位返回空值,得到('', '', 'DATE FILLED 6/23/20', '6/23/20');
匹配USE BY. 6/23/21时,两个DATE FILLED对应的分组没有命中,就会在元组后两位返回空值,得到('USE BY. 6/23/21', '6/23/21', '', '')。
原正则的其他适配缺陷
对照最初的提取要求,原正则还有几处未覆盖的问题:
- 缺少
REFILL标识的匹配分支 - 日期部分只支持斜杠
/分隔,不兼容短横-的格式(比如6-23-20) - 标识和日期之间用贪婪匹配
.*,容易跨内容抓取远距离的错误日期
优化实现
调整思路
- 三类需要识别的标识用非捕获组做分支整合,不生成多余的捕获占位
- 日期匹配段同时兼容斜杠和短横分隔
- 标识和日期之间用非数字字符匹配,精准抓取离标识最近的日期
- 仅保留一个存储目标日期的命名捕获组,从根源上消除空字符串
优化后代码
import re prescription_date_regex = re.compile( # 非捕获组匹配三类目标标识 r"(?:DATE\s+FILLED|REFILL|USE\s+BY)[^\d]*" # 兼容两种分隔符的日期格式,存入命名捕获组 r"(?P<target_date>\d{1,2}[/\-]\d{1,2}[/\-]\d{2,4})", re.IGNORECASE ) def find_matches(regex, text): # 遍历匹配迭代器,直接提取命名组的日期值 for match in regex.finditer(text): print(match.group("target_date"))
运行效果
给定的处方测试文本运行后,会直接输出提取到的有效日期6/23/20、6/23/21,无多余空值;同时可以正常识别短横分隔的日期、匹配REFILL标识后的日期内容。
内容的提问来源于stack exchange,提问作者Shahrear Bin Amin
相关产品推荐
相关产品推荐

