【问题标题】：heuristic (fuzzy) date extraction from the string?从字符串中提取启发式（模糊）日期？
【发布时间】：2013-02-27 07:43:04
【问题描述】：

我在启发式解析包含日期但格式相当随意（未知）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)
}

输入文本是英语语言的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任何与日期无关的潜在垃圾（嘈杂）词后提取日期。允许算法失败并且不返回结果。如果在字符串中仅找到两个连接数字 (MM) 和四个其他数字 (YYYY) 的组合 - 假设两个数字对应于日期的月份，并且日期被视为 01（第一天）这个月）。结果以“YYYY-MM-DD”(SQL) 格式（DATE 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，使用 $month 的词汇表等，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。如果能指出任何批评者或潜在的陷阱，我也将不胜感激。

与类似问题的关系：

请注意，该问题与更基本的日期解析问题不同：

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：

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 似乎是部分有用）。但是关于整个“mokey 业务”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，第二个包含了很好的抓取正则表达式（几乎“模糊”）。

PS by elegant 我知道代码相当紧凑（性能没有明显限制，因此可以使用“hacky”正则表达式）。

【问题讨论】：

正如您的一个链接中提到的，您如何解析 1/2/3？我认为您需要解析的字符串示例可能会很有帮助，还是像用户输入并且完全随机？最后，我认为反对 hacky 正则表达式的主要论点通常不是性能（除非针对大字符串运行多次次），而是代码维护和容易出现错误。
@kjetilh 积分。我将尽快提供示例输入列表以及我的一些解决方案代码。
是的，var_dump(date_parse("Joe Soap 出生于 1981 年 2 月 12 日")); 似乎已经做得很好了。

标签： php regex algorithm date heuristics

【解决方案1】：

时间库

嗯，date_parse 的表现非常非常 非常好，了解为什么 很有教育意义。 PHP 函数 date_parse 是 ext/date/lib 或 timelib 的一部分，并且显然（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：

date_parse 已经模糊：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特性而不是一个错误（否则应该使用 date_parse_from_format 或相应的 DateTime::createFromFormat()）
date_parse 以相对智能的方式使用（大量）正则表达式（基于 re2c）
除了过滤这个“扫描器”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，通过查找 YYYY、MM 和DD“单独”（与我需要做的非常相似）。
date_parse 是一个真正编译的“扫描器”，带有前瞻逻辑和错误报告，用户可以进一步处理（没有例外，只有嵌套结果数组中的消息）。
甚至还有一个 python package 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)

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gist 中找到。它可以作为一个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这样做）。

【讨论】：