从字符串中提取启发式（模糊）日期？

Question

我在启发式解析包含日期但采用相当任意（未知）格式的文本字符串时遇到问题。

function parseDateStr($text) {
    $cleanText = filter($text);
    # ...
    $day = findDay($cleanText);
    $month = findMonth($cleanText);
    $year = findYear($cleanText);
    # .. assert constraints, parse again or fail
    return sprintf('%04d-%02d-%02d', $year, $month, $day)
}

输入文本是英文句子加上任意语法符号（如 \W regexp 类的子集）。该算法的任务是仅在过滤掉与日期无关的任何潜在垃圾（嘈杂）词之后才提取日期。允许算法失败并且不返回结果。如果在字符串中只找到两个连接的数字 (MM) 和其他四个数字 (YYYY) 的两个组合 - 假设两个数字对应于日期的月份，并且日期被视为 01（日期的第一天）这个月）。结果以“YYYY-MM-DD”（SQL）格式（日期类型）给出日期。

我的想法是继续使用preg_replace & co设计一系列过滤器。此外，对 $year、$day 的范围使用逻辑约束，对 $month 使用词汇等，但如果可以想到或已经存在类似但更优雅的解决方案或方法，我不会感到惊讶。如果是这样，请让我知道他们。如果可以指出任何批评者或潜在的陷阱，我也将不胜感激。

类似问题的相关资料：

请注意，该问题与更基本的日期解析问题不同，因为：

• PHP 解析日期字符串
• 如何解析任何日期格式

因为就我而言，我无法指定或确定字符串的格式。另一方面，以下问题讨论了类似的任务：

• 从Python中的字符串中提取日期
• 从php中的几个字符串变量中提取多个日期格式
• 从PHP中的字符串中提取日期

我不确定最后一个是否重复，我最终不清楚 OP 想要解析什么（尽管checkdate和date_parse似乎部分有用）。但是关于整个“mokey business”的第一个问题也适用于我的案例，并且已通过模糊解析解决，如

dparser.parse("monkey 2010-07-10 love banana",fuzzy=True)

最后，第二个包含很好的抓取正则表达式（几乎“模糊”）。

PS by优雅我知道代码相当紧凑（性能没有明显限制，所以使用“hacky”正则表达式是可以的）。

Answer 1

时间库

好吧，date_parse的表现非常好，了解原因很有教育意义。PHP 函数date_parse是ext/date/lib或timelib 的一部分，显然（尽管缺乏适当的文档）它在 C 中的实现（由 Derick Rethans 编写并从 Zend Engine 宏部分调用，并带有声明）使它成为一个聪明的工具：

1. date_parse已经很模糊：文档页面上有很多警告（和抱怨），函数容忍和解析太多，但显然它实际上是一个功能而不是一个错误（否则应该使用date_parse_from_format或相应的DateTime::createFromFormat( ) )
2. date_parse以相对智能的方式使用（大量）正则表达式（基于re2c）
3. 除了过滤这个“扫描仪”之外，它还会查找所有可能的单词和日期格式组合（从已知月份和时区列表中），最后，通过分别查找 YYYY、MM 和 DD 进行“盲目”猜测"（与我需要做的非常相似）。
4. date_parse是一个真正的编译“扫描器”，它带有前瞻逻辑和错误报告，可以由用户进一步处理（没有例外，只有嵌套结果数组中的消息）。
5. 甚至有一个python 包包装了 timelib 的 C 代码（所以我什至不确定在“解析猴子业务” timelib或python-dateutil 中哪个最终更好）

测试和示例

就我而言，我未能从我的数据集中找到任何未被date_parse解析的输入示例，即：

echo FuzzyDateParser::fromText('banana 1/2/3');
echo FuzzyDateParser::fromText('Joe Soap was born on 12 February 1981'));
echo FuzzyDateParser::fromText('2005 Feb., reprint'));
echo FuzzyDateParser::fromText('!'); # will fail to parse, producing an empty string.
echo FuzzyDateParser::fromText('monkey 2010-07-10 loves bananas and php');

FuzzyDateParser 类的代码可以在这个要点中找到。它可以用作模板来处理错误并实现从date_parse 结果到自己的自定义逻辑的回退（我最终不必为我的案例做）。