以不同格式的字符串返回特定值

Question

如何讓python以不同格式的字符串自動搜索某種特定類型的數據（例如日期）？

示例輸入：

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

這些示例的輸出應為26 Feb 19 。

Answer 1

相關但不同： 將“未知格式”字符串轉換為日期時間對象？

這個問題是不同的，因為字符串不僅僅是日期，而是嵌入在字符串中。 我將此問題視為“如何在格式不一致的字符串中查找日期？”

我使用dateparser 0.7.1 ，文檔可以在這里找到。 因為字符串的格式未知並且可能與每個字符串不同，所以我計算字符串中的所有字符 ngram，然后將它們解析為日期。 然后將最常見的日期作為正確的輸出返回。 這是一種緩慢且低效的方法，但它是我能針對此處的要求提出的最佳方法：

• 未知格式
• 字符串不僅包含日期
• 日期可以在字符串中的任意位置：

代碼如下：

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()

這個怎么運作：

• 出於效率原因計算一個范圍內（在min_date_length和max_date_length之間）的所有字符 ngram，並且日期通常不能任意長或比默認值 5 短得多（盡管它是可能的，例如如果日期格式是1/1以 1 月 1 日為例）
• 使用dateparser.parse將dateparser.parse解析為日期，並忽略所有無法解析的內容
• 過濾掉過去太遠或未來太遠的年份（這是發布的示例的問題， 1632被視為"Desktop/Application,1632,26/02" ）
• 獲取為字符 ngrams 找到的最常見日期

此解決方案適用於問題中包含的三個示例。 再次注意，這是一種非常低效的方法，它可能不適用於所有情況（例如，對於字符串中的多個日期，它會中斷）。

更有效的方法是使用正則表達式從每個字符串中提取日期字符串，然后使用datetime.strptime 。 請參閱strftime() 和 strptime() 行為。