Question

我试图从一堆非结构化文本中仅提取日期部分。

问题是，日期可以采用以下任何格式：

一月2017年1月16日或1月16日（2017年1月16日）
Januray 2,2017
02/01/2017（年/月/日）
01/02/2017（mm / dd / yyyy）
01-02-17（mm-dd-yy）

示例文字：

x <- "There is a date which is Jan 2, 2017. Here is another date example 02/01/2017. This is third example date type [01/02/17]. This is fourth example date Jan. 16 and finally one more example is 01-02-2017"

我正在尝试的是其他选项之一（来自this回答中的示例）：

gsub(".*[(]|[)].*", "", string)

还有其他一般化的可能性吗？

Answer 1

首先，在不知道日期格式的情况下，对于这个实例02/03/2002，你无法判断一天是一天，一个月是一个月....如果年份也可以是2位数...例如dd / mm / yy或yy / mm / dd或mm / yy / dd ......你不能说哪一天是哪一天，哪一个是月份，哪一个是一年......

考虑到所有这些因素......可能会有来自第三方的字符串，您可能无法确定格式......因此没有解决方案可以保证定义日期，月份或年份您。

但是可以识别您提到的所有数字模式。以下解决方案将为您提供三组。您将获得组1,2和3 中提到的所有格式的日期的三部分。你将不得不分析/猜测一种方法，以确定哪一个是一天，哪一个是月，哪一个是年。正则表达式无法涵盖这一点。

考虑到所有这些事实，您可以尝试以下正则表达式：

((?:(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z ]*\.?)|(?:\d{1,2}))[\/ ,-](\d{1,2})(?:[\/ ,-]\s*(\d{4}|\d{2}))?

Regex 101 Demo

示例来源（run here）：

library(stringr)
str<-"Jan. 16  bla bla bla Jan 16 2017 bla bla bla January 2, 2017 bla bla bla 02/01/2017 bla bla bla 01/02/2017 bla bla bla 01-02-17 bla bla bla jan. 16 There is a date which is Jan 2, 2017. Here is another date example 02/01/2017. This is third example date type [01/02/17]. This is fourth example date Jan. 16 and finally one more example is 01-02-2017"
patt <- "(?i)((?:(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z ]*\\.?)|(?:\\d{1,2}))[\\/ ,-](\\d{1,2})(?:[\\/ ,-]\\s*(\\d{4}|\\d{2}))?"
result<-str_match_all(str,patt)
result

示例输出：

      [,1]              [,2]      [,3] [,4]  
 [1,] "Jan. 16"         "Jan."    "16" ""    
 [2,] "Jan 16 2017"     "Jan"     "16" "2017"
 [3,] "January 2, 2017" "January" "2"  "2017"
 [4,] "02/01/2017"      "02"      "01" "2017"
 [5,] "01/02/2017"      "01"      "02" "2017"
 [6,] "01-02-17"        "01"      "02" "17"  
 [7,] "jan. 16"         "jan."    "16" ""    
 [8,] "Jan 2, 2017"     "Jan"     "2"  "2017"
 [9,] "02/01/2017"      "02"      "01" "2017"
[10,] "01/02/17"        "01"      "02" "17"  
[11,] "Jan. 16"         "Jan."    "16" ""    
[12,] "01-02-2017"      "01"      "02" "2017"

问题从非结构化文本中的各种格式中提取日期部分

1 个答案: