如何从HTML时间戳统一日期格式

Question

我正在使用python脚本从一些出版商的网站上抓取文章的发布日期。该数据可在HTML属性或标记中找到，这些属性或标记由“时间”、“时间戳”和“发布日期”等标识，并以以下格式提供时间：

<time class="timestamp article__timestamp flexbox__flex--1"> Updated Aug. 18, 2021 3:54 pm ET </time>

<time class="css-x7rtpa e16638kd0" datetime="2021-08-18T19:10:54-04:00">Aug. 18, 2021</time>

<time datetime="2021-08-18T15:45:33-04:00"><span class="date">August 18, 2021</span><span class="time">3:45 PM ET</span></time>

<div class="timestamp"><span aria-label="Published on August 19, 2021 12:36 AM ET" class="timestamp__date--published"><span aria-hidden="true">08/19/2021 12:36 am ET</span></span></div>

<div class="article-date"><strong>Published</strong> <time> 8 hours ago</time></div>

'published_time': '2021-08-18T05:33:59Z

这就是我从这些HTML标记中获取这些日期后，这些日期的文本通常的样子：

Aug. 18, 2021 6:56 am ET

Aug. 18, 2021

Updated Aug. 18, 2021 3:54 pm ET

Published 6 hours ago

2021-08-18T08:00:00Z

我计划在将来抓取更多出版商的网站，所以在我编写自己的脚本之前，我很好奇是否有一个现有的解决方案或框架可以统一这种格式

上面的标记和结果文本没有以1:1的关系显示，因为有足够多的变化，除了编写我自己的脚本之外，这对于解决方案来说有些无关紧要。到目前为止，我找到的解决方案都引用Javascript中的统一日期，但在从HTML标记提取时却没有

这些日期最终将由Swift编写的服务器应用程序使用

Answer 1

dateparserpython库看起来是满足我需求的最佳解决方案

• 支持几乎所有现有的日期格式：绝对日期、相对日期（“两周前”或“明天”）、时间戳等
• 支持200多个语言环境
• 语言自动检测
• 通过设置可自定义的行为
• 支持非公历系统
• 支持带有时区缩写或UTC偏移的日期（“2015年8月14日东部标准时间”、“2013年7月21日晚上10:15+0500”…） 在较长的文本中搜索日期

为了实现长期稳定性，始终要考虑生产部署：

• 积极支持
• 超过7.4k的用户
• 90多名撰稿人