在字符串中匹配最后一个年份的正则表达式

Question

我已经编写了一个Python脚本，其中包含以下函数，该函数以包含多个日期的文件名作为输入。

代码

import re
from datetime import datetime

def ExtractReleaseYear(title):
    rg = re.compile('.*?([\[\(]?((?:19[0-9]|20[01])[0-9])[\]\)]?)', re.IGNORECASE|re.DOTALL)
    match = rg.search(title) # Using non-greedy match on filler
    if match:
        releaseYear = match.group(1)
        try:
            if int(releaseYear) >= 1900 and int(releaseYear) <= int(datetime.now().year) and int(releaseYear) <= 2099: # Film between 1900-2099
                return releaseYear
        except ValueError:
            print("ERROR: The film year in the file name could not be converted to an integer for comparison.")
            return ""

print(ExtractReleaseYear('2012.(2009).3D.1080p.BRRip.SBS.x264'))
print(ExtractReleaseYear('Into.The.Storm.2012.1080p.WEB-DL.AAC2.0.H264'))
print(ExtractReleaseYear('2001.A.Space.Odyssey.1968.1080p.WEB-DL.AAC2.0.H264'))

输出

返回结果：2012 -- 我希望这个结果是2009（即字符串中最后一次出现的年份）

返回结果：2012 -- 这个结果是正确的！（最后一次出现的年份是第一个，因此正确）

返回结果：2001 -- 我希望这个结果是1968（即字符串中最后一次出现的年份）

问题

可以看到，正则表达式只会匹配年份的第一次出现，而不是最后一次。这是有问题的，因为有些标题（比如这里包含的标题）以年份开头。

我已经搜索了获取最后一次出现的年份的方法，比如负向先行断言、重复组的最后一次出现和URL中的最后4位数字，但这些方法都没有让我更接近实现所需的结果。目前还没有现成的问题回答这个独特的情况。

预期结果

• 我想要从给定的文件名中提取年份的最后一次出现，并使用上述输出引用中的现有定义/函数返回它。虽然我已经使用了在线正则表达式参考资料，但我对正则表达式还很陌生，希望有人能向我展示如何实现这个过滤器来处理上面的文件名。谢谢大家。

- ProGrammer

---

由于您总是检查group(1)，它会给您第一个匹配项。检查组长度，如果超过一个，则取最后一组的匹配值。 - Supriya

这个问题没有真正的解决方案，特别是因为文件名可以有很多形式，例如，你的文件名中并不一定都有“1080”后面跟着一个“p”的情况。 - Casimir et Hippolyte

...或者1888年的路易·勒普林斯电影。 - Casimir et Hippolyte

我已将下限扩展到 1888。 假设标题“2018.3D.1080p.BRRip.SBS.x264.AAC”通过函数运行，它返回 2018（注意电影标题包含年份，文件名中缺少发行年）。 在这种情况下，最后一次出现也是第一次出现。 如果最后一次出现是某种上传/记录日期，例如“2018.3D.1080p.BRRip.SBS.x264.AAC.01-01-2018”，那么确实会引起关注，我希望找到智能过滤此类情况的方法。 现在，我确信这是电影标题中罕见的格式。 - ProGrammer

问题在于你可能会遇到不同种类的“异常”：New.York.1997.mvk（<=1981），Los Angeles 2013.avi（<=1996），1984.avi（<=2003），Les valseuses.1974.1920[a non word character]1080.mpg，以及一个带有第二个版本（重新制作或添加额外场景）的电影，其中包括原始发行年份和第二个版本的发行年份。 - Casimir et Hippolyte

Answer 1

根据 @kenyanke 的回答，选择 findall() 而不是 search() 将是更好的选择，因为前者返回所有非重叠匹配模式。 您可以选择最后一个匹配模式作为 releaseYear。 这是我的正则表达式来查找 releaseYear：

rg = re.compile(r'[^a-z](\d{4})[^a-z]', re.IGNORECASE)
match = rg.findall(title)
if match:
        releaseYear = match[-1]

上面的正则表达式假设releaseYear前后紧跟着的字母是非字母字符。三个字符串的结果(match)如下：

['2009']
['2012']
['1968']

- John

Answer 2

你需要更改两个地方：

1. 第一个懒惰模式.*?必须变成贪婪模式.*（在这种情况下，.*后面的子模式将匹配字符串中的最后一次出现）
2. 你需要使用的组是第2组，而不是第1组（因为它是存储年份数据的组）。或者使第一个捕获组不捕获。

请参见this demo:

rg = re.compile('.*([\[\(]?((?:19[0-9]|20[01])[0-9])[\]\)]?)', re.IGNORECASE|re.DOTALL)
...
releaseYear = match.group(2)

或者：

rg = re.compile('.*(?:[\[\(]?((?:19[0-9]|20[01])[0-9])[\]\)]?)', re.IGNORECASE|re.DOTALL)
...
releaseYear = match.group(1)

- Wiktor Stribiżew

Answer 3

考虑使用findall()而不是search()？

它会将从左到右找到的所有值放入一个列表中，只需访问最右边的值即可获得所需内容。

import re
from datetime import datetime

def ExtractReleaseYear(title):
    rg = re.compile('.*?([\[\(]?((?:19[0-9]|20[01])[0-9])[\]\)]?)', re.IGNORECASE|re.DOTALL)
    match = rg.findall(title)

    if match:
        try:
            releaseYear = match[-1][-1]
            if int(releaseYear) >= 1900 and int(releaseYear) <= int(datetime.now().year) and int(releaseYear) <= 2099: # Film between 1900-2099
                return releaseYear
        except ValueError:
            print("ERROR: The film year in the file name could not be converted to an integer for comparison.")
            return ""

print(ExtractReleaseYear('2012.(2009).3D.1080p.BRRip.SBS.x264'))
print(ExtractReleaseYear('Into.The.Storm.2012.1080p.WEB-DL.AAC2.0.H264'))
print(ExtractReleaseYear('2001.A.Space.Odyssey.1968.1080p.WEB-DL.AAC2.0.H264'))

- Paulie