pythonでregexを使って文字列と異なる形式の日付を抽出する

Question

pythonでregexを使って文字列から日付を抽出する必要があります。日付は多くの形式のうちの1つであることができます。

日付形式は以下のとおりです。

04/20/2009; 04/20/09; 4/20/09; 4/3/09 
Mar-20-2009; Mar 20, 2009; March 20, 2009; Mar. 20, 2009; Mar 20 2009; 
20 Mar 2009; 20 March 2009; 20 Mar. 2009; 20 March, 2009 
Mar 20th, 2009; Mar 21st, 2009; Mar 22nd, 2009 
Feb 2009; Sep 2009; Oct 2010 
6/2008; 12/2009 
2009; 2010 

は、抽出後の日付は私が昇順にそれらをソートする必要があります。

私は6つの正規表現パターンを使用しようとしましたが、それはすべての仕事をしていないようです。

pattern1 = r'((?:\d{1,2}[- ,./]*)(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*[- ,./]*\d{4})' 

pattern2 = r'((?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*[ ,./-]*\d{1,2}[ ,./-]*\d{4})' 

pattern3 = r'((?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)[a-z]*[ ,./-]*\d{4})' 

pattern4 = r'((?:\d{1,2}[/-]\d{1,2}[/-](?:\d{4}|\d{2})))' 

pattern5 = r'(?:(\s\d{2}[/-](?:\d{4})))' 

pattern6 = r'(?:\d{4})' 

Answer 1

中間変数を設定すると便利かもしれません。

'04/20/2009': {'month': '04', 'day': '20', 'year': '2009'} 
'04/20/09': {'month': '04', 'day': '20', 'year': '09'} 
'4/20/09': {'month': '4', 'day': '20', 'year': '09'} 
'4/3/09': {'month': '4', 'day': '3', 'year': '09'} 

'Mar-20-2009': {'month': 'Mar', 'day': '20', 'year': '2009'} 
'Mar 20, 2009': {'month': 'Mar', 'day': '20', 'year': '2009'} 
'March 20, 2009': {'month': 'March', 'day': '20', 'year': '2009'} 
'Mar. 20, 2009': {'month': 'Mar', 'day': '20', 'year': '2009'} 
'Mar 20 2009': {'month': 'Mar', 'day': '20', 'year': '2009'} 

'20 Mar 2009': {'day': '20', 'month': 'Mar', 'year': '2009'} 
'20 March 2009': {'day': '20', 'month': 'March', 'year': '2009'} 
'20 Mar. 2009': {'day': '20', 'month': 'Mar', 'year': '2009'} 
'20 March, 2009': {'day': '20', 'month': 'March', 'year': '2009'} 

'Mar 20th, 2009': {'month': 'Mar', 'day': '20', 'year': '2009'} 
'Mar 21st, 2009': {'month': 'Mar', 'day': '21', 'year': '2009'} 
'Mar 22nd, 2009': {'month': 'Mar', 'day': '22', 'year': '2009'} 

'Feb 2009': {'month': 'Feb', 'year': '2009'} 
'Sep 2009': {'month': 'Sep', 'year': '2009'} 
'Oct 2010': {'month': 'Oct', 'year': '2010'} 

'6/2008': {'month': '6', 'year': '2008'} 
'12/2009': {'month': '12', 'year': '2009'} 

'2009': {'year': '2009'} 
'2010': {'year': '2010'} 

主要部は、すべての異なるフォーマットが定義さformats変数である：出力

import re 

short_month_names = (
    'Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 
    'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec' 
) 

long_month_names = (
    'January', 'February', 'March', 'April', 'May', 'June', 'July', 
    'August', 'September', 'October', 'November', 'December' 
) 

short_month_cap = '(?:' + '|'.join(short_month_names) + ')' 
long_month_cap = '(?:' + '|'.join(long_month_names) + ')' 
short_num_month_cap = '(?:[1-9]|1[12])' 
long_num_month_cap = '(?:0[1-9]|1[12])' 

long_day_cap = '(?:0[1-9]|[12][0-9]|3[01])' 
short_day_cap = '(?:[1-9]|[12][0-9]|3[01])' 

long_year_cap = '(?:[0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]|[0-9][1-9][0-9]{2}|[1-9][0-9]{3})' 
short_year_cap = '(?:[0-9][0-9])' 

ordinal_day = '(?:2?1st|2?2nd|2?3rd|[12]?[4-9]th|1[123]th|[123]0th|31st)' 

formats = (
    r'(?P<month_0>{lnm}|{snm})/(?P<day_0>{ld}|{sd})/(?P<year_0>{sy}|{ly})', 
    r'(?P<month_1>{sm})\-(?P<day_1>{ld}|{sd})\-(?P<year_1>{ly})', 
    r'(?P<month_2>{sm}|{lm})(?:\.\s+|\s*)(?P<day_2>{ld}|{sd})(?:,\s+|\s*)(?P<year_2>{ly})', 
    r'(?P<day_3>{ld}|{sd})(?:[\.,]\s+|\s*)(?P<month_3>{lm}|{sm})(?:[\.,]\s+|\s*)(?P<year_3>{ly})', 
    r'(?P<month_4>{lm}|{sm})\s+(?P<year_4>{ly})', 
    r'(?P<month_5>{lnm}|{snm})/(?P<year_5>{ly})', 
    r'(?P<year_6>{ly})', 
    r'(?P<month_6>{sm})\s+(?P<day_4>(?={od})[0-9][0-9]?)..,\s*(?P<year_7>{ly})' 
) 

_pattern = '|'.join(
    i.format(
     sm=short_month_cap, lm=long_month_cap, snm=short_num_month_cap, 
     lnm=long_num_month_cap, ld=long_day_cap, sd=short_day_cap, 
     ly=long_year_cap, sy=short_year_cap, od=ordinal_day 
    ) for i in formats 
) 

pattern = re.compile(_pattern) 


def get_fields(match): 
    if not match: 
     return None 
    return { 
     k[:-2]: v 
     for k, v in match.groupdict().items() 
     if v is not None 
    } 

tests = r'''04/20/2009; 04/20/09; 4/20/09; 4/3/09 
Mar-20-2009; Mar 20, 2009; March 20, 2009; Mar. 20, 2009; Mar 20 2009 
20 Mar 2009; 20 March 2009; 20 Mar. 2009; 20 March, 2009 
Mar 20th, 2009; Mar 21st, 2009; Mar 22nd, 2009 
Feb 2009; Sep 2009; Oct 2010 
6/2008; 12/2009 
2009; 2010''' 

for test_line in tests.split('\n'): 
    for test in test_line.split('; '): 
     print('{!r}: {!r}'.format(test, get_fields(pattern.fullmatch(test)))) 
    print('') 

。それは定義されているものよりわずかに多く一致し、容易に拡張することができます。

全体的なパターンは、ビーイングを終わる：

手で書くことは事実上不可能だっただろう

'(?P<month_0>(?:0[1-9]|1[12])|(?:[1-9]|1[12]))/(?P<day_0>(?:0[1-9]|[12][0-9]|3[01])|(?:[1-9]|[12][0-9]|3[01]))/(?P<year_0>(?:[0-9][0-9])|(?:[0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]|[0-9][1-9][0-9]{2}|[1-9][0-9]{3}))|(?P<month_1>(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec))\\-(?P<day_1>(?:0[1-9]|[12][0-9]|3[01])|(?:[1-9]|[12][0-9]|3[01]))\\-(?P<year_1>(?:[0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]|[0-9][1-9][0-9]{2}|[1-9][0-9]{3}))|(?P<month_2>(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec)|(?:January|February|March|April|May|June|July|August|September|October|November|December))(?:\\.\\s+|\\s*)(?P<day_2>(?:0[1-9]|[12][0-9]|3[01])|(?:[1-9]|[12][0-9]|3[01]))(?:,\\s+|\\s*)(?P<year_2>(?:[0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]|[0-9][1-9][0-9]{2}|[1-9][0-9]{3}))|(?P<day_3>(?:0[1-9]|[12][0-9]|3[01])|(?:[1-9]|[12][0-9]|3[01]))(?:[\\.,]\\s+|\\s*)(?P<month_3>(?:January|February|March|April|May|June|July|August|September|October|November|December)|(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec))(?:[\\.,]\\s+|\\s*)(?P<year_3>(?:[0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]|[0-9][1-9][0-9]{2}|[1-9][0-9]{3}))|(?P<month_4>(?:January|February|March|April|May|June|July|August|September|October|November|December)|(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec))\\s+(?P<year_4>(?:[0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]|[0-9][1-9][0-9]{2}|[1-9][0-9]{3}))|(?P<month_5>(?:0[1-9]|1[12])|(?:[1-9]|1[12]))/(?P<year_5>(?:[0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]|[0-9][1-9][0-9]{2}|[1-9][0-9]{3}))|(?P<year_6>(?:[0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]|[0-9][1-9][0-9]{2}|[1-9][0-9]{3}))|(?P<month_6>(?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec))\\s+(?P<day_4>(?=(?:2?1st|2?2nd|2?3rd|[12]?[4-9]th|1[123]th|[123]0th|31st))[0-9][0-9]?)..,\\s*(?P<year_7>(?:[0-9]{3}[1-9]|[0-9]{2}[1-9][0-9]|[0-9][1-9][0-9]{2}|[1-9][0-9]{3}))' 

。

「ランダムテキスト間」の境界は、_patternの周りに追加できます。

私は_pattern = r'\b(?:{})\b'.format(_pattern)を提案します。