从自然语言字符串中提取日期

Question

我使用python在字符串中查找日期，例如：

string01='los mantenimientos acontecieron en los dias 3,06,8 ,9, 15 y 29 de diciembre de 2018.Por cada mantenimiento fué cobrado $1,300.00 códigos de mantenimiento: (3)A34,(2)C54,(1)D65'

（‘管理会议于2018年12月3日、6日、8日、9日、15日和29日举行’）

我首先尝试使用regex来查找和拆分日期和（而不是货币），然后将它们转换为预期的结果

预期结果：['3/12/2018','06/12/2018','08/12/2018','09/12/2018','15/12/2018','29/12/2018']

string02='los mantenimientos sucedieron en: 2,04,05,8,9,10,11,14,15,22,24, y 27 de junio de 2018.Valor de cada uno de los mantenimiento: $1,300.00, códigos de mantenimiento: (1)A35,(6)C54,(5)D65'

（‘管理会议发生在2018年6月2日、4日、5日、8日、9日、10日、11日、14日、15日、22日、24日和27日’） 预期结果：['02/06/2018','04/06/2018','05/06/2018','08/06/2018','09/06/2018','10/06/2018','11/06/2018','14/06/2018','15/06/2018','22/06/2018','24/06/2018','27/06/2018']

我试过了：

dias=re.compile(r"((\s?[0-3]?[0-9]\s?\,?\s?){1,9}[0-3][0-9]|\sy\s[0-3][0-9]\sde\s(?:diciembre|junio)\sde\s[2][0][0-2][0-9])")

dias_found=re.findall(dias,string01)

但是我得到了元组和重复值：

[(' 3,06,8,9, 15', '9, '), (' y 29 de diciembre de 2018', '')]

应该是['3','06','8','9','15','29 de diciembre de 2018']

任何帮助都将不胜感激。你知道吗

提前谢谢。你知道吗

Answer 1

您可以使用re模块和字符串操作来轻松提取日期

import requests
import re
import json

if __name__ == "__main__":
    texts = [
        'en los dias 3,06,8 ,9, 15 y 29 de diciembre de 2018.Por c',
        'n en: 2,04,05,8,9,10,11,14,15,22,24, y 27 de junio de 2018.Valor de',
    ]
    # select from the beginning of date-like text till the end of year
    pattern = r'\s*((\d+[\sy\,]*)+[\D\s]+20\d{2})'
    month_names = ['diciembre', 'junio']  # add others
    month_pattern = re.compile(f'({"|".join(month_names)})', flags=re.IGNORECASE)

    all_dates = []
    for item in texts:
        match = re.search(pattern, item)
        if not match:
            continue
        date_region: str = match.group(1)

        # find year
        year = re.search('(20\d{2})', date_region).group(1)

        # find month
        month_match = re.search(month_pattern, date_region)
        month = month_match.group(1)
        # remove everything after month
        date_region = date_region[: month_match.start()]
        # find all numbers, we're assuming they represent day of the month
        days = re.findall('(\d+)', date_region)

        found_dates = [f'{d}/{month}/{year}' for d in days]
        all_dates.append(found_dates)
    print(all_dates)

我不知道葡萄牙语的月份名称？（编辑：这是西班牙语），但是用数字替换这些数字是一项很简单的任务。 输出：

[['3/diciembre/2018',
  '06/diciembre/2018',
  '8/diciembre/2018',
  '9/diciembre/2018',
  '15/diciembre/2018',
  '29/diciembre/2018'],
 ['2/junio/2018',
  '04/junio/2018',
  '05/junio/2018',
  '8/junio/2018',
  '9/junio/2018',
  '10/junio/2018',
  '11/junio/2018',
  '14/junio/2018',
  '15/junio/2018',
  '22/junio/2018',
  '24/junio/2018',
  '27/junio/2018']]