Question

在文档处理期间，我想从html元数据中提取所有日期，然后确定将用于填充日期字段的最新日期（dtgeneric1）。

<meta name="OriginalPublicationDate" content="2010/04/21 12:06:36" />
<meta name="LastModificationDate" content="2010/04/22 14:10:16" />
+ other non-date meta data

使用间谍阶段进行检查表明我们的管道已经添加了meta_ *属性，但不同来源的文档中的元数据名称会有所不同。

#### ATTRIBUTE meta_originalpublicationdate <class 'docproc.DocumentAttributes.TextChunks'>: 2010/04/21 12:06:36
#### ATTRIBUTE meta_lastmodificationdate <class 'docproc.DocumentAttributes.TextChunks'>: 2010/04/22 14:10:16
+ other non-date meta attributes

理想情况下，我们希望将所有meta_ *属性传递给Python阶段，并使用它来计算哪些是日期，哪些是最大的，但似乎没有办法将“所有元属性”指定为输入。 / p>

有没有人做过类似的事情，并且可以就最佳方式提供任何建议。

由于

尼尔

Answer 1

我认为自定义阶段将所有需要的日期属性作为输入，处理所有日期属性之间的比较（以查找最新日期），并输出最新的字段将完成工作。< / p>

从FAST-ESP中的html元数据中提取日期

1 个答案: