Discussion :

[DotNetMatt]

Salut les amis,

Je bloque sur un probleme surement pas tres complique, mais je n'arrive pas a m'en sortir.

J'ai une date au format "31st December 2017" au milieu d'un texte. Cette date pourrait tout aussi bien etre "22nd December 2017", ou autre variante avec le suffixe nd, th, rd ou encore st. J'essaie de la detecter par regex, mais je ne trouve rien.

Le probleme se situe apparemment sur la detection "31st". Voici un exemple de code ou j'essaie de detecter le debut de la date :

Code C# :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
var text = "xyz abcd 31st December 2015 efgh ijkl";
 
var pattern2 = "[0|1|2|3][0-9]{1}[th|nd|rd|st]";
var results = Regex.Matches(text, pattern2);
 
foreach (Match result in results)
{
    Console.WriteLine(result.Value);
}

Cela me renvoie comme resultat "31s" au lieu de "31st". Bien sur si la date commence par "22nd" ou "23rd" ou "10th" la problematique est la meme. J'ai essaye avec des parentheses, mais rien n'y fait.

Sauriez-vous comment recuperer ca correctement ?

[WaterTwelve21]

Bonjour ,

Le problème se situe au niveau a la fin de ton pattern [th|nd|rd|st]

Dans un token qui se présente comme ceci [abc] va matcher selon le principe : a single character of: a,b or c.
Cela explique pourquoi ca match dès le "31s" .

Ensuite pour la solution j'y travail , ca devrais pas être compliqué.

[Kyroon]

Bonjour,

Je suis loin d'être un expert mais je pense que cela vient des 'crochets' de ton pattern.
Un pattern comme celui-ci devrait mieux correspondre à ce que tu attend.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

(0|1|2|3)[0-9]{1}(th|nd|rd|st)

En fait je pense que le OU ne prend en compte qu'une lettre de chaque coté de lui, donc le 's' dans ton exemple.
Si on décompose le [th|nd|rd|st], on pourrait le lire comme ça [thndrdst], ça reviendrait au même, et donc il recherche, l'une de ces lettres.

Bonne continuation.

[Max]

Salut.

En effet, les crochets servent à définir un ensemble de caractères et les parenthèses un groupe (par défaut à capturer).

Pour faire suite au message de Kyroon (sa regex ne capture pas le deuxième chiffre), le plus simple dans ton cas serait (à condition que tu souhaites tout dans une seule et unique capture) :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

([0-3][0-9](?:th|nd|rd|st))

Explications :

• (...) : le groupe global à capturer ;
• [0-3] : un chiffre compris entre 0 et 3 ;
• [0-9] : un chiffre compris entre 0 et 9 (le {1} ne sert à rien, c'est la valeur par défaut);
• (?:...) : un sous-groupe, mais qu'on ne capture pas via "l'option" ?: ;
• th|nd|rd|st : soit th, soit nd, soit rd, soit st.

Par ailleurs il faudrait voir si tu cherches à "valider" cette date ou pas : cette regex, par exemple, valide 21rd.

[DotNetMatt]

En effet avec les parentheses autour des OU ca marche mieux

Ce qui me surprend c'est qu'en langage R, cette regex fonctionne tres bien, mais pas en C#... D'ou mon incomprehension initiale.

En tout cas merci les gars pour ce coup de pouce

[François DORIN]

Bonjour,

Par ailleurs il faudrait voir si tu cherches à "valider" cette date ou pas : cette regex, par exemple, valide 21rd.

Tout à fait ! Car en plus des incohérences de suffixes, la Regex laisserait passer tous les 36 du mois

[DotNetMatt]

J'ai oublie de repondre a cette question. Je ne cherche pas specialement a valider la date.

Pour vous donner une image un peu plus globale de ce que je fais, je cherche a extraire les dates dans des documents juridiques, qui ont deja ete relus et approuves par differentes personnes. J'utilise differentes regex ignobles qui font 30 km de long, pour capter plein de formats differents (31st December 2015 / 12/31/2015 / 12-31-15, etc.). Les formats sont regroupes de telle sorte a ce que ceux qui sont similiaires soient dans la meme regex. Ensuite, pour chaque format, j'utilise une liste de formats pour la conversion a l'aide de DateTime.TryParseExact. Les dates qui ne peuvent etre converties sont enregistrees et au fur et a mesure on fera evoluer tout ce joyeux bazar...

En parallele, on regarde du cote des techniques d' "Information extraction" pour utiliser du machine learning a la place de ce genre d'horreur. Ce sera beaucoup plus simple a maintenir, mais on commence tout juste les tests donc a suivre...