Question

我列出了大约2000个不同语言的博客，这些博客的布局不同。我有两个任务：识别死链接并识别超过90天未更新的博客。虽然第一个任务很容易，但第二个任务让我很头疼。

示例：

http://allfinancialmatters.com/（此问题已超过90天未更新）

我试过了：

有没有人知道如何处理这项任务？

我正在使用Python。

Answer 1

首先检查整个HTML中的当前年份。例如（2018）

array

迭代每条记录，查找是否有任何月份可用且是过去3个月（4月，5日，6日，3月，4月，5月，6月），如果是，则返回博客已在90天内更新，别认为没有。

years = re.findall('.*2018.*', str(res.content)

Answer 2

无论博客的格式或其语言如何，可以安全地假设每个博客的日期格式在整个博客中保持不变。我会为我能想到的所有日期类型构建不同的正则表达式搜索：

等等......并寻找所有这些。在页面上找到其中一个匹配后，在主页上获取最大日期，这通常代表博客上次更新的时间。

如果您想到的任何格式上的特定网站根本不匹配，请查看该网站使用的格式，并将该格式与其他正则表达式一起添加，然后重复。

另外，你可以正确使用2018或18号的正则表达式，如果它们不在任何地方，那么该网站可能会在2017年最后一次更新（但这当然只是现在，并且逻辑将会如果你刚刚开始2019年就失败了......）

很抱歉没有打扰示例代码，但你也没有:)这只是我将使用和改进的基本算法。您可以在此处查看日期正则表达式示例：Regular Expression to match valid dates

您也可以使用此处的一些答案：Check if string has date, any format