O problema é que findall
percorre a string da esquerda para a direita, e cada vez que encontra um match, a próxima busca começa depois do último trecho encontrado.
No caso, na string 0420202198
, depois de encontrado o 2020
, a procura começa a partir do terceiro 2
(o que começa o trecho 2198
), e por isso o 2021
não é encontrado.
Para fazer o que você precisa, uma opção é usar o método match
, passando a posição em que a busca começará:
import re
text = '0420202198'
r = re.compile('20[1-2][0-9]')
years = []
# fazer buscas começando em todas as posições da string
for pos in range(0, len(text)):
m = r.match(text, pos)
if m:
years.append(m.group())
print(years)
Neste caso não precisa incluir os parênteses na regex (eles servem para criar grupos de captura, que são retornados por findall
), pois o método group
, quando chamado sem parâmetros, já retorna todo o trecho que foi encontrado.
Além disso não precisei usar raw string (o r
antes das aspas). Esta sintaxe é útil quando a regex possui caracteres como o \
(pois assim não preciso escrevê-lo como \\
), mas neste caso não é necessário.
E também coloco os resultados em uma lista, para que o retorno seja o mesmo de findall
(que retorna uma lista com os resultados).
A saída é:
['2020', '2021']
Como a sua regex necessariamente precisa de 4 dígitos para encontrar um match, eu poderia otimizar um pouco o loop e usar range(0, len(text) - 3)
no for
(assim eu evito iterar nas 3 últimas posições, pois eu sei que a partir daí não há mais caracteres suficientes para satisfazer a regex).
Se quiser, também pode usar a sintaxe de list comprehension, bem mais pythônica (e geralmente mais sucinta, mas neste caso específico, não sei se é tanto assim):
import re
text = '0420202198'
r = re.compile('20[1-2][0-9]')
years = [m.group() for pos in range(0, len(text) - 3) for m in [r.match(text, pos)] if m]
print(years)
Ou ainda:
years = [m.group() for m in (r.match(text, pos) for pos in range(0, len(text) - 3)) if m]
Ambas as opções acima retiradas daqui.