6

Fiz esse Regex para capturar as ocorrências de anos numa sequência de números (entre 2010-2029).

text = '0412020982012'
rg = r'20[1-2][0-9]'
years = re.compile("(%s)" % (rg)).findall(text)

Funciona perfeitamente.

Porém caso a string seja 0420202198, ele não funciona, pois ela pega apenas a ocorrência do 2020, mas não do 2021, devido estar compartilhando os dígitos.

No meu caso, quero pegar sempre os anos identificados mais à direita. Como posso resolver mantendo o uso do Regex?

0

4 Respostas 4

6

Use:

.*(20[1-2][0-9])

O grupo 1 será sempre a última sequência 20XX (onde XX é de acordo com os critérios da regex):

3420201298      -> grupo 1: 2012
    ¯¯¯¯
34352020982012  -> grupo 1: 2012
          ¯¯¯¯

O .* irá buscar 0 ou mais caracteres à esquerda do grupo, ou seja, irá considerar a última sequência (2012) e não a primeira (2020).

REGEXR.COM

4
  • Ok, @Sam. Testei aqui e funcionou. Muito obrigado. Commented 2/05/2019 às 0:40
  • @AntonioBrazFinizola findall retorna uma lista com todos os matches, por isso entendi que vc quisesse todos, e não somente o último. E a regex acima só pega a última ocorrência (se tiver três anos, por exemplo text = '041202021982012' - tem 2020, 2021 e 2012, vc só quer o último ou uma lista com os 3? Usando .* vc só obtém o último, usando um for como sugeri, vc tem uma lista com todos). Desculpe se entendi errado o que vc precisava, só queria tirar a dúvida mesmo...
    – hkotsubo
    Commented 2/05/2019 às 0:45
  • Oi, @hkotsubo. Realmente a minha intenção era pegar os anos mais à direita, para depois pegar o última desta lista. Não sabia que poderia ser feito um algoritmo para pegar de cara o último, como esse acima. Commented 2/05/2019 às 0:52
  • @AntonioBrazFinizola É que da forma que foi perguntado, eu entendi que vc precisava pegar todos. Mas tudo bem, que bom que resolveu :-)
    – hkotsubo
    Commented 2/05/2019 às 0:57
5

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.

1

Tente mudar o variável rg para obter mais de uma ocorrência de um grupo de números

rg = r'20[1-2]\d+'

Pois desta forma sua regex busca por uma ou mais ocorrência de dígitos. A parte \d é equivalente a "[0-9]"

2
  • Isso não funciona, pois vai pegar todos os dígitos que existem depois do primeiro 20 em um único match, veja: ideone.com/QGS8ZW
    – hkotsubo
    Commented 2/05/2019 às 0:39
  • É verdade, realmente não vai ajudar. Infelizmente não sei como ajudar. Commented 2/05/2019 às 0:52
1

Segue pattern para pegar somente o ano de 2012 que é o ano mais a direita como você disse

(?:.*?\K20[1-2]{1}[2-9]{1}){2}

Clique aqui para ver o Exemplo

3
  • 1
    Grato pela resposta, @Rodrigo. Mas eu gostaria de uma abordagem que atendesse o problema que indiquei, que é tratar os casos de anos que venham assim: 0420202198. Tipo, tem dois anos aí, mas do jeito que fiz só consigo pegar o 2020, não o 2021. Commented 1/05/2019 às 22:14
  • Novo Pattern: (?:(?<=20)20[1-2]{1}[0-9]{1})|(?:(20[1-2]{1}[2-9]{1})) Commented 2/05/2019 às 3:04
  • Creio que agora seja o que você quer: regex101.com/r/1metXT/1 Commented 2/05/2019 às 3:05

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .