日付のテキスト

Question

私はそこに32の記事を含むテキスト文書を持っています、そして、私は各記事の日付を見つける必要があります。私は日付が各記事の5行目に来ることを観察しました。これまでのところ、私が使用して32件の記事の中にテキストを分割している：それは見ることができるように

：

import re 
sections = [] 
current = [] 
with open("Aberdeen2005.txt") as f: 
    for line in f: 
     if re.search(r"(?i)\d+ of \d+ DOCUMENTS", line): 
      sections.append("".join(current)) 
      current = [line] 
     else: 
      current.append(line) 

print(len(sections)) 

を私はそれぞれの記事、MONTHのみYEARの日付を含むリストを作成するようになります、日付は上記の画像の形式になりますが、時にはその日は含まれません。木曜日。

アイデア？

種類について、

アンドレス

Psと。ここでは16の文書の別の例である：あなたが一日置き換えることができif文の下に正規表現を使用して

Answer 1

：

regx = re.compile(ur'(\w+\s\d{1,2},\s\d{4})\s\w{6,9}') 
line = re.sub(regx, "\\1", line) 

例：

https://regex101.com/r/pJ0nZ8/1

linecache方法：

linecacheモジュールを使用すると、特に5行目をキャプチャしてファイルに書き込むことができます。日付に平日が含まれている場合、切り捨てられます。この機能を使用するともっと細かいことが可能になりますが、より詳細な情報をお伝えします。

import linecache 

w = 'Monday','Tuesday','Wednesday','Thursday','Friday','Saturday','Sunday' 
l = linecache.getline("Aberdeen2005.txt",5) 
m = [d in l for d in w] 
c = '2005','2016' # years (optional) 

if any(y in l for y in c): # check for years (optional) 

    if any(x in l for x in w): 
     r = [i for i,v in enumerate(m,0) if v] 
     l = l.replace(' '+w[r[0]],'') 

    with open("dates.txt", "a") as article_dates: 
     article_dates.write(l) 

linecache.clearcache() 

Answer 2

または、reを使用して文字列内のパターンを見つけることができます。たとえば ：関数は何かを返す場合

date1 = 'December 29, 2005 Thursday' 
date2 = 'February 1, 2015' 

re.findall("[A-Za-z]+ [0-9]{1,2}, [0-9]{4}", date1) 
['December 29, 2005'] 

re.findall("[A-Za-z]+ [0-9]{1,2}, [0-9]{4}", date2) 
['February 1, 2015'] 

、あなたが日付として文字列全体を考えることができます。

Answer 3

私はdateutil.parserライブラリを試してみます。私はそれを使用するのは少し厄介なことがわかりましたが、仕事は日付のように見える文字列を取り、その日付をdatetimesに変換することです。私はそれがかなり有能であることが分かった。

ドキュメントはhereであり、必要な機能はparse（）です（つまりdateutil.parser.parse（））。