5

Tengo la siguiente cadena:

fo = "b---00b<do:YYYY>tftt_<fd>-<fd><ct><ct:MM>mmm.pdf"

Y sólo quiero obtener mmm.pdf.

Cuando intento:

match = re.search(r'(>.*?\.pdf)', fo)

for g in match.groups():
    print g

Obtengo:

>tftt_<fd>-<fd><ct><ct:MM>mmm.pdf

Pensé que el símbolo ? haría que la búsqueda se detuviera en >, pero el patrón (>.*\.pdf) me da el mismo resultado. ¿Cuál es la expresión regular correcta para obtener mmm.pdf?

mmm.pdf puede ser abcs.pdf, qwerty123.pdf, etc. And fo siempre tiene el formato:

fo = "someOptionalstring<otherstring>anotherOptionalString<string>optionalstring<string>mmm.pdf"

La alternancia entre strings (pueden ser vacías) y <strings> (no vacías) puede estar en cualquier cantidad. Pude hallar expresiones regulares para extraer las cadenas entre <>, pero no la cadena que quiero al final.

Podría usar un algoritmo usando endswith() y buscando el último caracter >, pero quiero intentar usar expresiones regulares por motivos de aprendizaje.

Edit: Para quienes están aprendiendo: olvidé mencionar que hay que importar el módulo re

2 respuestas 2

3

*? es simplemente un cuantificador "no ambicioso", con la expresión >.*\.pdf lo que dices en realidad es algo así:

"Busca una subcadena que empiece con el carácter >, seguido de la mínima cantidad posible de caracteres y que termine con .pdf"

Si eliminas ? entonces el cuantificador es avaricioso:

"Busca una subcadena que empiece con el carácter >, seguido de la máxima cantidad posible de caracteres y que termine con.pdf"

Con un ejemplo a lo mejor se ve más claro:

>>> import re

>>> fo = ">aaa.pdf>mmm.pdf"

>>> re.search(r"(>.*?\.pdf)", fo).group()
'>aaa.pdf'

>>> re.search(r"(>.*\.pdf)", fo).group()
'>aaa.pdf>mmm.pdf'

En tu caso no hay diferencia porque la única coincidencia posible es >tftt_<fd>-<fd><ct><ct:MM>mmm.pdf en ambos casos, desde la primera aparición de > hasta que encuentra .pdf, ya que solo hay una subcadena .pdf en la cadena

Una posibilidad es simplemente usar la expresión [^>]+.pdf$:

  • [^>]+ -> Uno o más caracteres que no sean >
  • $ -> Indica el final de la cadena, esto hace que la coincidencia solo pueda estar al final, por ejemplo <mmm.pdf>foo no sería una coincidencia.

import re 


regex = re.compile(r"[^>]+.pdf$")

fo = "b---00b<do:YYYY>tftt_<fd>-<fd><ct><ct:MM>mmm.pdf"

match = regex.search(fo)
print(match.group())

Hay que tener en cuenta que la búsqueda se hace de izquierda a derecha, por lo que intentará siempre hacer coincidir el patrón desde la primera aparición de >. La idea detrás de la expresión original si podría funcionar haciendo uso de una búsqueda hacia atrás, por ejemplo podemos instalar y usar el paquete regex:

>>> import regex
>>> regex_exp = regex.compile(r"(?r)>(.*?\.pdf)")
>>> fo = "b---00b<do:YYYY>tftt_<fd>-<fd><ct><ct:MM>mmm.pdf"
>>> regex_exp.search(fo).groups()
('mmm.pdf',)

Su sintaxis es muy similar a la usada por re pero implementa algunas características no presentes en éste, por ejemplo permite la liberación del GIL y con ello hacer uso de multithreading real.

0

esto funciona:

match = re.search(r'([a-z0123456789]*\.pdf)', fo) for g in match.groups(): print g

1

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.