在文本文档中查找日期或日期/时间的策略？

Question

问题：给定非结构化文本文档找到任何日期或日期/时间子字符串。

我目前的想法是使用一堆正则表达式来搜索已知格式，这种格式感觉非常糟糕，昂贵且容易出错： - ）

这就是我所说的那种文档：

  

培根ipsum dolor坐在牛腩里面，排骨aute。 Ullamco consequat shank swine chuck，laboris do pastrami 1980年1月10日est venison shankle short 1-20-1980 loin bresaola咸牛肉。牛肋骨28/2/2001 tri-tip est cupidatat shank，excepteur qui non pastrami。

我怀疑我不是第一个解决这个问题的人，我希望结果代码隐藏在一些我不知道的开源项目中......

思想？

Answer 1

这是一个特殊的启发式算法 - 但可能首先进行标记化？

您可以识别以下令牌

• “垃圾”（默认情况下，任何不像日期部分的内容）
• dddd（4位数 - 通常是一年）
• dd（2位数 - 日月或年）
• d（1位数 - 日或月）
• dd_st
• dd_th（以及数字位数的变化）
• dd_rd
• dd_nd
• monthname

等等

每个令牌可以有多种解释（例如d是月或日），日期是3个令牌的任意序列，您可以从年，月，日中选择其中一个（按您希望的任何顺序）允许）。

这里的想法是接受比正则表达式更多的语法，如果这是你的意图......