問題從非結構化文本中的各種格式中提取日期部分

Question

我試圖從一堆非結構化文本中僅提取日期部分。

問題是，日期可以采用以下任何格式：

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

示范文本：

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"

我正在嘗試的是其他選項之一（來自本答案中的示例）：

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

還有其他一般化的可能嗎？

Answer 1

首先，在不知道日期格式的情況下，對於這個實例02/03/2002，你無法判斷一天是一天，一個月是一個月......如果年份也可以是2位數......例如dd / mm / yy或yy / mm / dd或mm / yy / dd ...你不能說哪一天是哪一天，哪一個是月，哪一個是年...

考慮到所有這些因素......可能存在可能來自第三方的字符串，您可能無法確定格式......因此，沒有任何解決方案可以保證為您定義日期，月份或年份。

但是可以識別您提到的所有數字模式。 以下解決方案將為您提供三組 。 對於您在組1,2和3中提到的所有格式，您將獲得日期的三個部分。 你將不得不分析/猜測一種方法，以確定哪一個是一天，哪一個是月，哪一個是年。 正則表達式無法涵蓋這一點。

考慮到所有這些事實，您可以嘗試以下正則表達式：

((?:(?: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}))?

正則表達式101演示

示例源（ 在此處運行 ）：

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

樣本輸出：

      [,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"