Question

我有一些来自不同网站的文字，我想从中提取日期。可以想象，日期的格式大不相同，如下所示：

Posted: 10/01/2014 
Published on August 1st 2014
Last modified on 5th of July 2014
Posted by Dave on 10-01-14

我想知道的是，如果有人知道Python库[或API]会对此有所帮助 - （除了例如正则表达式，这将是我的后备）。我可以相对容易地删除“摆在”部分，但让其他东西保持一致看起来并不容易。

Answer 1

我使用dateutil的解决方案

根据Lukas的建议，我使用了dateutil包（似乎比Arrow更灵活），使用模糊条目，它基本上忽略了不是日期的东西。

使用dateutil模糊解析的注意事项

要注意的主要事项是，如线程Trouble in parsing date using dateutil中所述，如果它无法解析日/月/年，则需要一个默认值（除非另有指定，否则为当天），并且据我所知，没有报告标志表明它采用了默认值。

这将导致“随机文本”返回今天的2015-4-16日期，这可能会导致问题。

<强>解决方案

因为我真的想知道什么时候失败，而不是用默认值填写日期，我最终运行了两次，然后看看它是否在两个实例上都采用了默认值 - 如果没有，那么我假设正确解析。

from datetime import datetime
from dateutil.parser import parse

def extract_date(text):

    date = {}
    date_1 = parse(text, fuzzy=True, default=datetime(2001, 01, 01))
    date_2 = parse(text, fuzzy=True, default=datetime(2002, 02, 02))

    if date_1.day == 1 and date_2.day ==2:
        date["day"] = "XX"
    else:
        date["day"] = date_1.day

    if date_1.month == 1 and date_2.month ==2:
        date["month"] = "XX"
    else:
        date["month"] = date_1.month    

    if date_1.year == 2001 and date_2.year ==2002:
        date["year"] = "XXXX"
    else:
        date["year"] = date_1.year  

    return(date)

print extract_date("Posted: by dave August 1st")

显然这有点拙劣（所以如果有人有一个更优雅的解决方案 - 请分享），但这正确地解析了我上面的四个例子[它假定美国格式的日期为10/01/2014而不是比英国格式]，并导致在输入缺失数据时适当地返回XX。

Answer 2

您可以使用Arrow库：

arrow.get('2013-05-05 12:30:45', ['MM/DD/YYYY', 'MM-DD-YYYY'])

两个参数，首先是要解析的str，然后是要尝试的格式列表。

在Python中解析未格式化的日期

2 个答案: