以不同格式的字符串返回特定值

Question

如何让python以不同格式的字符串自动搜索某种特定类型的数据（例如日期）？

示例输入：

"-rwxr-xr-x 1 user usergrp 1632 Feb 26 11:03 Desktop/Application"
"Desktop/Application,1632,26/02"
"26/02/19 - Desktop/Application - 1632"

这些示例的输出应为26 Feb 19 。

Answer 1

相关但不同： 将“未知格式”字符串转换为日期时间对象？

这个问题是不同的，因为字符串不仅仅是日期，而是嵌入在字符串中。 我将此问题视为“如何在格式不一致的字符串中查找日期？”

我使用dateparser 0.7.1 ，文档可以在这里找到。 因为字符串的格式未知并且可能与每个字符串不同，所以我计算字符串中的所有字符 ngram，然后将它们解析为日期。 然后将最常见的日期作为正确的输出返回。 这是一种缓慢且低效的方法，但它是我能针对此处的要求提出的最佳方法：

• 未知格式
• 字符串不仅包含日期
• 日期可以在字符串中的任意位置：

代码如下：

from collections import Counter

import dateparser


def extract_date(min_date_length=5, max_date_length=15, min_year_value=2000, max_year_value=2020):
    val = "Feb 26 11:03 Desktop/Application"
    val = "Desktop/Application,1632,26/02"
    val = "26/02/19 - Desktop/Application - 1632"
    grams = []
    for n in range(min_date_length, max_date_length):
        grams.extend(val[i:i + n] for i in range(len(val) - n + 1))
    dates = []
    for gram in grams:
        out = dateparser.parse(gram)
        if out and min_year_value <= out.year <= max_year_value:
            dates.append(out)
    date, _count = Counter(dates).most_common(1)[0]
    print(date)
    return date


if __name__ == "__main__":
    extract_date()

这个怎么运作：

• 出于效率原因计算一个范围内（在min_date_length和max_date_length之间）的所有字符 ngram，并且日期通常不能任意长或比默认值 5 短得多（尽管它是可能的，例如如果日期格式是1/1以 1 月 1 日为例）
• 使用dateparser.parse将dateparser.parse解析为日期，并忽略所有无法解析的内容
• 过滤掉过去太远或未来太远的年份（这是发布的示例的问题， 1632被视为"Desktop/Application,1632,26/02" ）
• 获取为字符 ngrams 找到的最常见日期

此解决方案适用于问题中包含的三个示例。 再次注意，这是一种非常低效的方法，它可能不适用于所有情况（例如，对于字符串中的多个日期，它会中断）。

更有效的方法是使用正则表达式从每个字符串中提取日期字符串，然后使用datetime.strptime 。 请参阅strftime() 和 strptime() 行为。