Set a multichoice regex to make its matching attempts always from left to right, no matter if another previous regex tries to capture more chars?

Question:

import re

input_text = 'el dia corrimos juntas hasta el 11° nivel de aquella montaña hasta el 2022_-_12_-_13' 
#input_text = 'desde el  corrimos juntas hasta el 11° nivel de aquella montaña y luego bajamos hasta la salida, hasta el 2022_-_12_-_01 21:00 hs caminamos juntas' #example 2


date_format = r"(?:(|)s*(d*)_-_(d{2})_-_(d{2})s*(?:)|)"

#text in the middle associated with the date range...
#some_text = r"(?:(?!.s*?n)[^;])*" #but cannot contain ";", ".s*n"
some_text = r"(?:(?!.s*)[^;])*" #but cannot contain ";", ".s*"
#some_text = r"(?:[^.;])*" #but cannot contain ";", "."

identification_re_0 = r"(?:el dia|dia|el)s*(?:del|des*el|de |)s*(" + some_text + r")s*(?:,s*hasta|hasta|al|a )s*(?:el|la|)s*" + date_format

input_text = re.sub(identification_re_0,
                    lambda m: print(m[1]),
                    input_text, re.IGNORECASE)

#print(repr(input_text)) # --> output

These are the incorrect outputs that I got:

'corrimos juntas hasta el 11° nivel de aquella montaña hast'
'corrimos juntas hasta el 11° nivel de aquella montaña y luego bajamos hasta la salida, hast'

And these would be the correct outputs that you should get with this examples:

'corrimos juntas hasta el 11° nivel de aquella montaña'
'corrimos juntas hasta el 11° nivel de aquella montaña y luego bajamos hasta la salida'

Why does the (?:,s*hasta|hasta|al|a ) capture group try its options backwards? Why is it trying to conform to the greedy behavior of the above regex, in this case (?:(?!.s*)[^;])*?

Edit with a possible solution:

I have achieved more or less close results except with example 3 where I could not make it so that if there was not something captured by some_text the () are not placed

import re

input_text = 'desde el 2022_-_12_-_10 corrimos juntas hasta el 11° nivel de aquella montaña hasta el 2022_-_12_-_13' #example 1
#input_text = 'desde el 2022_-_11_-_10 18:30 pm corrimos juntas hasta el 11° nivel de aquella montaña y luego bajamos hasta la salida, hasta el 2022_-_12_-_01 21:00 hs caminamos juntas' #example 2
#input_text = 'desde el 2022_-_11_-_10 18:30 pm hasta el 2022_-_12_-_01 21:00 hs' #example 3

#text in the middle associated with the date range...
#some_text = r"(?:(?!.s*?n)[^;])*" #but cannot contain ";", ".s*n"
some_text = r"(?:(?!.s*)[^;])*" #but cannot contain ";", ".s*"
#some_text = r"(?:[^.;])*" #but cannot contain ";", "."

identificate_hours = r"(?:as*las|as*la|)s*(?:(|)s*(d{1,2}):(d{1,2})s*(?:(am)|(pm))s*(?:)|)" #acepta que no se le indicase el 'am' o el 'pm'
identificate_hours = r"(?:as*las|as*la|)s*(?:(|)s*(d{1,2}):(d{1,2})s*(?:(am)|(pm)|)s*(?:)|)" #no acepta que no se le indicase el 'am' o el 'pm'

date_format = r"(?:(|)s*(d*)_-_(d{2})_-_(d{2})s*(?:)|)"

# (?:,s*hasta|hasta|al|a )
some_text_limiters = [r",s*hasta", r"hasta", r"al", r"a "]

for some_text_limiter in some_text_limiters:

    identification_re_0 = r"(?:(?<=s)|^)(?:desdes*el|desde|del|des*el|des*la|de |)s*(?:día|dia|fecha|)s*(?:del|des*el|de |)s*" + date_format + r"s*(?:" + identificate_hours + r"|)s*(?:)|)s*(" + some_text + r")s*" + some_text_limiter + r"s*(?:el|la|)s*(?:fecha|d[íi]a|)s*(?:del|des*el|de|)s*" + date_format + r"s*(?:" + identificate_hours + r"|)s*(?:)|)"

    input_text = re.sub(identification_re_0,
                        lambda m: (f"({m[1]}_-_{m[2]}_-_({m[3]}({m[4] or '00'}:{m[5] or '00'} {m[6] or m[7] or 'am'})_--_{m[9]}_-_{m[10]}_-_({m[11]}({m[12] or '00'}:{m[13] or '00'} {m[14] or m[15] or 'am'})))({m[8]})").replace(" )", ")").replace("( ", "("),
                        input_text, re.IGNORECASE)


print(repr(input_text))
Asked By: Matias Nicolas Rodriguez

||
Source

Answers:

you can validate the date strings and then replace the date strings with symbols(make sure it won’t repeat in the text) and extract the text between them.

import re

re_exp = r'((?:hasta el))?sd{4}_-_d{2}_-_d{2}s?((?:d{2}:d{2}s(?:am|pm)?)?)'
input_text = 'desde el 2022_-_12_-_10 corrimos juntas hasta el 11° nivel de aquella montaña hasta el 2022_-_12_-_13'
input_text = 'desde el 2022_-_11_-_10 18:30 pm corrimos juntas hasta el 11° nivel de aquella montaña y ' 
             'luego bajamos hasta la salida, hasta el 2022_-_12_-_01 21:00 hs caminamos juntas'
input_text = "desde el 2022_-_11_-_10 18:30 pm hasta el 2022_-_12_-_01 21:00 hs"
data = re.sub(re_exp, "@*@", input_text)
text_btw_dates = [i.replace('@', '').strip().strip(".,") for i in data.split('*') if
                  i.startswith('@') and i.endswith('@') and len(i) > 1]
print(text_btw_dates)

>>> ['corrimos juntas hasta el 11° nivel de aquella montaña']
>>> ['corrimos juntas hasta el 11° nivel de aquella montaña y luego bajamos hasta la salida']
>>> [""]
Answered By: Ramesh