今天在使用 Python 编写爬虫程序的过程中，遇到了一个 BUG，最终发现居然是关于一个正则表达式中的小问题，十分有趣。

我编写了这样一个爬虫程序，爬取网页中发布文章的标题和发布时间，于是我写了这样一个正则表达式来匹配文章发布的时间。

date_match = re.match(r'(\d{4})年(\d{2})月(\d{2})日', date)

这样咋一看似乎非常正确，我一开始也没有意识到错误。直到程序开始运行了一段时间，我打开日志文件，发现从 10 月 10 日之后的文章都不能正确读取，而到了 23 年的 12 月又开始正常读取了。

我当时觉得这样的 BUG 十分奇怪，为什么不能读取的文章时间怎么有规律。同时，由于项目代码量不小，我几乎在可能出错的地方都进行了异常的抛出，但是在日志文件中却没有出现任何的错误，这让我百思不得其解。

于是我只能在我认为可能出现问题的地方手动 print 打印传递的变量信息，逐渐缩小范围，“真凶”也随着浮出水面。问题就出在我上面写的那句正则表达式匹配时间的代码。

事实上，页面上的时间并不是固定 2 位数，当出现个位数日期时，它只显示 1 位数字，比如 2024年10月1日，而非 2024年10月01日。所以，我一开始写的代码只能匹配 2 位数字，我也确实忘记考虑个位数字的情况，这就导致 re.match 会返回一个 None，再加上我后面直接使用 if data_match: 把这种情况排除在外，而不是抛出一个异常，我也因此排查了很久。

这样的话，10 月 10 日之后的日期都不能读取的现象就很好理解了，因为后面就都是个位数的天数和月份了，比如 10 月 9 日或者 9 月 10 日。只有到 2023 年 12 月份开始才能正常匹配了。

解决的办法也很简单，改成匹配 1 位或 2 位数字就可以了。

date_match = re.match(r'(\d{4})年(\d{1,2})月(\d{1,2})日', date)

1