Как анализировать несколько дат из блока текста в Python (или на другом языке)

Ответ 1

Глядя на это, наименее опасным способом было бы изменить dateutil parser, чтобы иметь вариант с нечетким числом.

parser._parse берет вашу строку, ее токенизирует с помощью _timelex, а затем сравнивает токены с данными, определенными в parserinfo.

Здесь, если токен не соответствует чему-либо в parserinfo, синтаксический анализ завершится с ошибкой, если fuzzy не является True.

Я предлагаю вам разрешить не-совпадения, пока у вас нет обработанных токенов времени, а затем, когда вы нажмете на несоответствие, обработайте проанализированные данные в этой точке и снова начните искать токены времени.

Не следует предпринимать слишком много усилий.

Обновление

Пока вы ожидаете, что ваш патч будет запущен...

Это немного взломанный, использует в публике не публичные функции, но не требует изменения библиотеки и не является пробной и ошибочной. У вас могут быть ложные срабатывания, если у вас есть одиночные жетоны, которые можно превратить в поплавки. Возможно, вам придется отфильтровать результаты еще.

from dateutil.parser import _timelex, parser

a = "I like peas on 2011-04-23, and I also like them on easter and my birthday, the 29th of July, 1928"

p = parser()
info = p.info

def timetoken(token):
  try:
    float(token)
    return True
  except ValueError:
    pass
  return any(f(token) for f in (info.jump,info.weekday,info.month,info.hms,info.ampm,info.pertain,info.utczone,info.tzoffset))

def timesplit(input_string):
  batch = []
  for token in _timelex(input_string):
    if timetoken(token):
      if info.jump(token):
        continue
      batch.append(token)
    else:
      if batch:
        yield " ".join(batch)
        batch = []
  if batch:
    yield " ".join(batch)

for item in timesplit(a):
  print "Found:", item
  print "Parsed:", p.parse(item)

Урожайность:

Found: 2011 04 23
Parsed: 2011-04-23 00:00:00
Found: 29 July 1928
Parsed: 1928-07-29 00:00:00

Обновление для Дитера

Dateutil 2.1, по-видимому, написан для совместимости с python3 и использует библиотеку "совместимости" под названием six. Что-то не так с этим, и оно не рассматривает объекты str как текст.

Это решение работает с dateutil 2.1, если вы передаете строки как unicode или как файлы типа:

from cStringIO import StringIO
for item in timesplit(StringIO(a)):
  print "Found:", item
  print "Parsed:", p.parse(StringIO(item))

Если вы хотите установить параметр на parserinfo, создайте экземпляр parserinfo и передайте его в объект парсера. Например:

from dateutil.parser import _timelex, parser, parserinfo
info = parserinfo(dayfirst=True)
p = parser(info)

Ответ 2

Пока я был в автономном режиме, меня беспокоил ответ, который я опубликовал вчера. Да, это сделало эту работу, но она была излишне сложной и крайне неэффективной.

В этом выпуске журнала, который должен сделать гораздо лучшую работу!

import itertools
from dateutil import parser

jumpwords = set(parser.parserinfo.JUMP)
keywords = set(kw.lower() for kw in itertools.chain(
    parser.parserinfo.UTCZONE,
    parser.parserinfo.PERTAIN,
    (x for s in parser.parserinfo.WEEKDAYS for x in s),
    (x for s in parser.parserinfo.MONTHS for x in s),
    (x for s in parser.parserinfo.HMS for x in s),
    (x for s in parser.parserinfo.AMPM for x in s),
))

def parse_multiple(s):
    def is_valid_kw(s):
        try:  # is it a number?
            float(s)
            return True
        except ValueError:
            return s.lower() in keywords

    def _split(s):
        kw_found = False
        tokens = parser._timelex.split(s)
        for i in xrange(len(tokens)):
            if tokens[i] in jumpwords:
                continue 
            if not kw_found and is_valid_kw(tokens[i]):
                kw_found = True
                start = i
            elif kw_found and not is_valid_kw(tokens[i]):
                kw_found = False
                yield "".join(tokens[start:i])
        # handle date at end of input str
        if kw_found:
            yield "".join(tokens[start:])

    return [parser.parse(x) for x in _split(s)]

Пример использования:

>>> parse_multiple("I like peas on 2011-04-23, and I also like them on easter and my birthday, the 29th of July, 1928")
[datetime.datetime(2011, 4, 23, 0, 0), datetime.datetime(1928, 7, 29, 0, 0)]

Возможно, стоит отметить, что его поведение немного отклоняется от dateutil.parser.parse при работе с пустыми/неизвестными строками. Dateutil вернет текущий день, а parse_multiple возвращает пустой список, который, IMHO, является тем, что можно было бы ожидать.

>>> from dateutil import parser
>>> parser.parse("")
datetime.datetime(2011, 8, 12, 0, 0)
>>> parse_multiple("")
[]

P.S. Просто заметили MattH обновленный ответ, который делает что-то очень похожее.

Ответ 3

Я думаю, что если вы поместите "слова" в массив, он должен сделать трюк. С этим вы можете проверить, является ли это датой или нет, и вставить переменную.

Как только у вас будет дата, вы должны использовать библиотеку библиотека datetime.

Ответ 4

Почему бы не написать шаблон регулярного выражения, охватывающий все возможные формы, в которых может отображаться дата, а затем запустить регулярное выражение для изучения текста? Я предполагаю, что десятки десятков способов выразить дату в строке.

Единственная проблема - собрать максимум выражений даты