날짜의 정규 표현식은 R

Question

일부 텍스트 내의 날짜를 검색하는 정규 표현식을 R에서 작성하려고합니다. 실제 날짜 형식을 제어 할 수 없기 때문에 모든 가능한 dd/mm/yy 형식 (한 자리 또는 두 자리 달, 두 자리 또는 네 자리 연도, 선택 사항 인 1 ~ 2 자리 일, 범위 구분 기호 포함)을 "캐치"하려고합니다. ("/", "-", "."), 가능하면 공백 포함).

pattern = "(\\d{0,2}[/\\.-])?[ ]?(\\d{1,2}[ ]*[/\\.-]|January|February|March|April|May|June|July|August|September|October|November|December|Jan|Feb|Febr|Mar|Apr|Jun|Jul|Aug|Sept|Sep|Oct|Nov|Dec|Jan\\.|Feb\\.|Febr\\.|Mar\\.|Apr\\.|Jun\\.|Jul\\.|Aug\\.|Sept\\.|Sep\\.|Oct\\.|Nov\\.|Dec\\.)[ ]*[']?\\d{2,4}" 

이 대부분 형식에 작동하는 것 같다,하지만 이해하기 어려운 찾을 버그가 포함되어 있습니다 :

내 정규 표현식 지금까지입니다

이

str_extract_all("09/11 /1985", pattern = pattern) # returns: "09/11 /1985" 
str_extract_all(" 09/11 /1985", pattern = pattern) # returns: c("09/11", "1985") 

이 매우 이상한 소리가 난다. 내가 둘러보기를 포함하고 있지 않기 때문에 처음에는 여분의 공간이 아무런 차이가 없어야합니다. 결과는 다르게 말한다. 내가 도대체 ​​뭘 잘못하고있는 겁니까?

Answer 1

문제는 정규식의 첫 번째 부분에 있습니다. 일일 일치 시도 : (\\d{0,2}[/\\.-])?[ ]? 0 일에서 2 일 사이에 선택적으로 구분 기호 중 하나와 일치하는 것이 선택 사항입니다. 그런 다음 선택적으로 공간과 일치합니다.

09/11 /1985의 경우이 부분은 앞 부분과 일치하며 09은 월로, 11은 연도로 일치합니다.

이 동작을 제거하려면 공간을 선택적 그룹으로 옮겨야합니다. 1 또는 2 자리를 일치시키려는 경우도 있으며, 그렇지 않으면 선행 구분 기호와 일치합니다. 비 캡처 그룹 사용을 고려

• January|Jan|Jan\\.이 Jan(?:\\.|uary)?
• 과 동일합니다 :

  은 그래서 예를 들어 당신이 개선 할 수있는 몇 가지 다른 점이있다 (\\d{1,2}[/\\.-][ ]?)?

  이 첫 부분을 다시 것

Answer 2

나는 가장 좋은 방법은 주어진 strin에서 사용 된 날짜 형식을 아는 것이라고 생각한다. g 파일을 읽은 다음 날짜 형식이 항상 예상대로인지 테스트하십시오. 그러나, OP 상태로 이것은 그렇지 않습니다. 다음은 날짜 형식의 철저한 목록은 아니지만 유효 날짜 만 허용하는 정규식을 파악하는 지루한 작업 일 수 있다는 인상을줍니다. 또한 형식 추측을 통해 추측이 어떻게 이루어지는지를 자세히 이해하지 못하는 사람이 스크립트를 예측할 수 없도록 만들 수 있습니다. 이 경우

(?:format1)|(?:format2)|...|(?:formatN)

:

당신은 아직도 당신이 다른 날짜 형식에 대해 정규식을 사용할 필요가 있다고 생각하는 경우

하나의 형식이 우선 순위가 주어 독자에게 분명히 만드는 방법을 설계하려고 포맷 1은 윤년 dd/mm/yyyy, dd-mm-yyyy 또는 dd.mm.yyyy를 차지 이러한 형식을 확인하는 몇 가지 좋은 날짜 유효성을 https://stackoverflow.com/a/15504877/6018688에 아주 좋은 정규 표현식에도 있습니다

보다 우선 할 것입니다.

^(?:(?:31(\/|-|\.)(?:0?[13578]|1[02]))\1|(?:(?:29|30)(\/|-|\.)(?:0?[1,3-9]|1[0-2])\2))(?:(?:1[6-9]|[2-9]\d)?\d{2})$|^(?:29(\/|-|\.)0?2\3(?:(?:(?:1[6-9]|[2-9]\d)?(?:0[48]|[2468][048]|[13579][26])|(?:(?:16|[2468][048]|[3579][26])00))))$|^(?:0?[1-9]|1\d|2[0-8])(\/|-|\.)(?:(?:0?[1-9])|(?:1[0-2]))\4(?:(?:1[6-9]|[2-9]\d)?\d{2})$

과 같은 질문, 월 이름을 가진 다른 대답에서

:

^(?:(?:31(\/|-|\.)(?:0?[13578]|1[02]|(?:Jan|Mar|May|Jul|Aug|Oct|Dec)))\1|(?:(?:29|30)(\/|-|\.)(?:0?[1,3-9]|1[0-2]|(?:Jan|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec))\2))(?:(?:1[6-9]|[2-9]\d)?\d{2})$|^(?:29(\/|-|\.)(?:0?2|(?:Feb))\3(?:(?:(?:1[6-9]|[2-9]\d)?(?:0[48]|[2468][048]|[13579][26])|(?:(?:16|[2468][048]|[3579][26])00))))$|^(?:0?[1-9]|1\d|2[0-8])(\/|-|\.)(?:(?:0?[1-9]|(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep))|(?:1[0-2]|(?:Oct|Nov|Dec)))\4(?:(?:1[6-9]|[2-9]\d)?\d{2})$

난 당신이 지금 인상을 생각, 그것은 실제로 정규식을 작성하는 방법을 복잡하게 될 수 있습니다 당신이 완벽하게하려는 일을합니다. 나는 정말로 허용 된 날짜를 최소한으로 유지하려고 시도하고 매우 제한적인 정규식을 목표로 삼는다. 귀하의 예제에서는 날짜와 공백만을 포함하는 문자열을 제공하고 다른 것은 제공하지 않습니다. 이 경우에도 문자열 시작 부분과 끝 부분에 공백을 허용하려면 "^\s*yourregex\s*$" 문자열 전체를 "^yourregex$"으로 계산해야합니다. 문자열의 시작 부분에 공백이있는 예가 하나 있기 때문에 후자를 추가 개발에 사용합니다. 귀하의 경우에는

난 단지 년 시작할 것 : "^\\s*(?:\\d{4})\\s*$"

그런 다음 (다른 물건 MM-DD-YY을 허용는 "실제로 어쩌면 유효한 날짜 또는 경우 어떤 검사 33-13- 2016 ", 또한 허용 할 2 자리 연도 수)

"(?:\\d{1,2}[/.-]\\d{1,2}[/.-](?:\\d{4}|\\d{2})"

당신은 구분 기호 사이의 공간을 허용 할 경우 :

,536,913,632을 10

"(?:\\d{1,2}\\s*[/.-]\\s*\\d{1,2}\\s*[/.-]\\s*\\d{4})"

그런 다음 서면 또는 약식 월 이름과 포맷 :

"(\\d{1,2}\\s*[/.-]?\\s*(?:January|February|March|April|May|June|July|August|September|October|November|December|Jan|Feb|Febr|Mar|Apr|Jun|Jul|Aug|Sept|Sep|Oct|Nov|Dec|Jan\\.|Feb\\.|Febr\\.|Mar\\.|Apr\\.|Jun\\.|Jul\\.|Aug\\.|Sept\\.|Sep\\.|Oct\\.|Nov\\.|Dec\\.)\\s*[/.-]?\\s*(?:'?\\d{2}|\\d{4}))"

함께 넣어 : 당신이 많은 형식을 원하는대로 체인 수

"^\\s*(?:\\d{4}$)|(?:\\d{1,2}\\s*[/.-]\\s*\\d{1,2}\\s*[/.-]\\s*\\d{4})|(\\d{1,2}\\s*[/.-]?\\s*(?:January|February|March|April|May|June|July|August|September|October|November|December|Jan|Feb|Febr|Mar|Apr|Jun|Jul|Aug|Sept|Sep|Oct|Nov|Dec|Jan\\.|Feb\\.|Febr\\.|Mar\\.|Apr\\.|Jun\\.|Jul\\.|Aug\\.|Sept\\.|Sep\\.|Oct\\.|Nov\\.|Dec\\.)\\s*[/.-]?\\s*(?:'?\\d{2}|\\d{4}))\\s*$"

이 방법을.

다른 입력 문자열의 동작을 확인하려면 다음 정규식을 직접 비교하십시오. str_extract_all을 사용 했으므로 단어 경계 \b 제약 조건을 추가했습니다. 동일한 문자열에 여러 날짜가있을 수 있다고 가정합니다. 공백으로 서로 다른 형식의 여러 버전을 허용하면 텍스트에서 열심히 만 날짜가 일치 보장 할 수 있도록 분산이 아닌 다른 숫자 값을 허용 :

string = "only a year 1985. No space 2.Jan.2016. 2. Jan. 2016. 2. Jan. '16 2/1/16 02/01/2016 19855 ID1985A 2. Jan 2016 2.. Jan 2016 1January2016 2-Jan.-2016 2-Jan-2016 2.\tJan.\t2016" 
pattern = "(\\d{1,2}[/\\.-][ ]?)?(\\d{1,2}[ ]*[/\\.-]|January|February|March|April|May|June|July|August|September|October|November|December|Jan|Feb|Febr|Mar|Apr|Jun|Jul|Aug|Sept|Sep|Oct|Nov|Dec|Jan\\.|Feb\\.|Febr\\.|Mar\\.|Apr\\.|Jun\\.|Jul\\.|Aug\\.|Sept\\.|Sep\\.|Oct\\.|Nov\\.|Dec\\.)[ ]*[']?\\d{2,4}" 
p="\\s*(?:\\b\\d{4}\\b)|(?:\\b\\d{1,2}\\s*[/\\.-]\\s*\\d{1,2}\\s*[/\\.-]\\s*(?:\\d{4}|\\d{2})\\b)|\\b\\d{1,2}\\s*[/\\.-]?\\s*(?:January|February|March|April|May|June|July|August|September|October|November|December|(?:Jan|Feb|Febr|Mar|Apr|Jun|Jul|Aug|Sept|Sep|Oct|Nov|Dec).?)\\s*[/\\.-]?\\s*(?:\\d{4}|'?\\d{2})\\b\\s*" 
str_extract_all(string, pattern=pattern) 
str_extract_all(string, pattern=p) 

경고의 말씀

.

문자 그룹에서 도트를 이스케이프 처리하는 것은 불필요합니다. [\.]는 [.]이어야합니다. \ mont \ year 사이의 분리 문자로 백 슬래시를 허용하려는 경우는 예외입니다. 입력 형식이 가변적 인 경우 공백은 \t 탭이 될 수 있으므로 [ ]을 \s (줄 끝 기호 인 \n과 같은 공백 문자와 일치)로 바꾸는 것이 좋습니다.