从文本Python中识别和提取日期的最佳方法？

Question

作为我正在进行的一个更大的个人项目的一部分，我试图将内联日期从各种文本源中分离出来。

例如，我有一大串字符串(通常以英语句子或语句的形式)，这些字符串的形式多种多样：

中央设计委员会会议星期二晚上十时二十二日下午六时三十分 第9/19号实验室:串行编码(2.2节) 将在12月15日为那些今天无法到达的人举行另一次会议。 工作簿3(最低工资)：截止日期:星期三上午11:59分 他将于9月1日乘飞机。第十五。

虽然这些日期与自然文本是一致的，但它们中没有一种是以特定的自然语言形式出现的(例如，没有“明天起两周的会议”-都是明确的)。

作为一个对这类处理没有太多经验的人，什么是最好的开始呢？我已经研究过像dateutil.parser模块和分段时间这样的东西，但它们似乎是在您隔离日期之后使用的。

正因为如此，有什么好方法来提取日期和无关的文本吗？

input:  Th 9/19 LAB: Serial encoding (Section 2.2)
output: ['Th 9/19', 'LAB: Serial encoding (Section 2.2)']

或者类似的东西？这类处理似乎是由Gmail和Apple之类的应用程序完成的，但用Python实现是否可行呢？

Answer 1

我也在寻找解决这个问题的方法，却找不到任何解决办法，所以我和一个朋友建立了一个工具来解决这个问题。我想我会回来和别人分享，以防别人发现这很有帮助。

datefinder --查找和提取文本中的日期

下面是一个例子：

import datefinder

string_with_dates = '''
    Central design committee session Tuesday 10/22 6:30 pm
    Th 9/19 LAB: Serial encoding (Section 2.2)
    There will be another one on December 15th for those who are unable to make it today.
    Workbook 3 (Minimum Wage): due Wednesday 9/18 11:59pm
    He will be flying in Sept. 15th.
    We expect to deliver this between late 2021 and early 2022.
'''

matches = datefinder.find_dates(string_with_dates)
for match in matches:
    print(match)

Answer 2

我感到惊讶的是，没有提到SUTime和日期方法。

from sutime import SUTime
import os
import json
from dateparser.search import search_dates

str1 = "Let's meet sometime next Thursday" 

# You'll get more information about these jar files from SUTime's github page
jar_files = os.path.join(os.path.dirname(__file__), 'jars')
sutime = SUTime(jars=jar_files, mark_time_ranges=True)

print(json.dumps(sutime.parse(str1), sort_keys=True, indent=4))
"""output: 
[
    {
        "end": 33,
        "start": 20,
        "text": "next Thursday",
        "type": "DATE",
        "value": "2018-10-11"
    }
]
"""

print(search_dates(str1))
#output:
#[('Thursday', datetime.datetime(2018, 9, 27, 0, 0))]

虽然我尝试过其他模块，如dateutil、datefinder和natty (无法让鸭子使用python)，但这两个模块似乎给出了最有希望的结果。

来自SUTime的结果更可靠，从上面的代码片段中可以清楚地看到。但是，在一些基本的场景(如解析文本)中，SUTime失败。

“我要到9/19才有空”

或

“我不能在9月18日至9月20日之间上班。”

它没有给出第一个文本的结果，只给出第二个文本的月份和年份。然而，这在search_dates方法中处理得很好。search_dates方法更具侵略性，它将给出与输入文本中的任何单词相关的所有可能日期。

我还没有找到一种严格解析search_methods中日期的文本的方法。如果我能找到一种方法，这将是我的第一选择SUTime，我也会确保更新这个答案，如果我找到它。

Answer 3

您可以使用dateutil模块的parse方法和fuzzy选项。

>>> from dateutil.parser import parse
>>> parse("Central design committee session Tuesday 10/22 6:30 pm", fuzzy=True)
datetime.datetime(2018, 10, 22, 18, 30)
>>> parse("There will be another one on December 15th for those who are unable to make it today.", fuzzy=True)
datetime.datetime(2018, 12, 15, 0, 0)
>>> parse("Workbook 3 (Minimum Wage): due Wednesday 9/18 11:59pm", fuzzy=True)
datetime.datetime(2018, 3, 9, 23, 59)
>>> parse("He will be flying in Sept. 15th.", fuzzy=True)
datetime.datetime(2018, 9, 15, 0, 0)
>>> parse("Th 9/19 LAB: Serial encoding (Section 2.2)", fuzzy=True)
datetime.datetime(2002, 9, 19, 0, 0)