Algunas cosas:
- El carácter
\
dentro de una expresión regular es especial, y se usa para varias cosas, como por ejemplo para indicar que el siguiente que aparezca tras él debe tomarse "literalmente" (es decir, quitar el significado especial de otros caracteres, como por ejemplo en \.
para indicar que el punto ha de ser literal), o para crear símbolos con un significado concreto, como por ejemplo \w
que significa "cualquier carácter alfanumérico o guión bajo").
- Pero se da la (desafortunada) circunstancia de que el
\
también tiene un significado especial dentro de una cadena en la mayoría de los lenguajes de programación, y sirve para cambiar el significado de la letra que aparezca detrás. Un ejemplo típico es \n
que significa "retorno de carro". En particular, si queremos meter un \
dentro de un string, sin que tenga significado especial, debemos precederlo de otro \
, y escribir por tanto \\
.
- Por culpa de esto último, cuando queremos construir expresiones regulares en las que el
\
es un signo habitual, ya que las tenemos que meter en una cadena, el \\
debe aparecer duplicado.
En tu expresión regular hay un \w
al final que debería ser por tanto \\w
. Aunque pienso que podría sobrar por completo ese \\w
, pues con él estás forzando a que el nombre de fichero comience por letra, dígito, o guión bajo. Si quieres cualquier carácter inicial como válido, no pongas ese \\w
.
Además tienes un .txt?
que debería ser \\.txt
, para forzar a que el punto sea literal (si no, el punto significa "cualquier caracter"). Y sobra el interrogante final, que en expresiones regulares marca el carácter anterior como "opcional", es decir, que la t
final podría aparecer o no.
Por otro lado:
- Si abres un paréntesis dentro de una expresión regular estarás dando comienzo a un grupo de captura, que finaliza cuando se cierra el paréntesis.
- Los grupos de captura sirven para poder "quedarte" con un trozo de toda la expresión. Por ejemplo, para quedarse con el nombre de fichero como tú quieres.
En tu expresión regular hay un paréntesis al inicio y otro al final, por tanto estás creando un grupo de captura que se queda con "la ruta completa". No es eso lo que querías.
Finalmente:
- Ya que las expresiones regulares abundan en
\
, y las cadenas normales fuerzan a duplicarlos, al final te queda todo lleno de \\
y se hacen dificil de leer. Para evitar esto, Python tiene cadenas raw, que se marcan poniendo una r
delante de la cadena, y dentro de las cuales el \
no tiene significado especial y por tanto no es necesario duplicarlo.
Teniendo todo esto en cuenta, tu expresión regular sería:
pattern = r'attachments\/\d{3,}\/\d{3,}\/\d{3,}\/original\/(.*\.txt)'
Observa la r
delante de las comillas de apertura, para marcar ese string como raw y así no tener que duplicar los \
. He corregido también los problemas antes señalados, y he hecho que el grupo de captura contenga sólo el nombre del fichero.
Al grupo de captura puedes acceder mediante el método .group()
del objeto resultante del match. Por ejemplo:
txt = """
attachments/018/796/036/original/Aleatorio.txt
attachments/118/496/034/original/Test1.txt
attachments/028/196/336/original/Test_1.txt
attachments/028/196/336/original/Test_1_test.txt
"""
for linea in txt.split("\n"):
r = re.search(regex, linea)
if r:
print(r.group(1))
producirá como resultado:
Aleatorio.txt
Test1.txt
Test_1.txt
Test_1_test.txt
Bonus. Para practicar con expresiones regulares, probar si funcionarán antes de escribir el programa, y obtener el significado de cada carácter dentro de ellas, es muy útil el sitio regex101.com. Por ejemplo puedes practicar con tu caso a partir de esto