使用正则表达式捕获多种格式的日期

Question

我正在开发一个应用程序，它会抓取本地网站以创建即将发生的事件的数据库，并且我正在尝试使用正则表达式来捕获尽可能多的日期格式。

考虑以下句子片段：

• “2013 年 2 月 2 日星期六研讨会的重点将是 [...]”
• “2 月 14 日丽笙酒店的情人节特辑”
• “2 月 15 日星期五，一个特别的好莱坞主题 [...]”
• “2 月 8 日星期五儿童游戏研讨会”
• “3 月 9 日至 11 日在旧 [...] 举办工艺研讨会”

我希望能够扫描这些并捕获尽可能多的日期。目前我正在以一种可能有缺陷的方式执行此操作（我不擅长正则表达式），一个接一个地通过几个正则表达式语句，就像这样

/([0-9]+?)(st|nd|rd|th) (of)? (Jan|Feb|Mar|etc)/i
/([0-9]+?)(st|nd|rd|th) (of)? (January|February|March|Etcetera)/i
/(Jan|Feb|Mar|etc) ([0-9]+?)(st|nd|rd|th)/i
/(January|February|March|Etcetera) ([0-9]+?)(st|nd|rd|th)/i

我可以将所有这些合并到一个巨大的正则表达式语句中，但似乎在 php 中必须有一种更清洁的方式来执行此操作，也许是第三方库或其他什么？

编辑：上面的正则表达式可能有错误 - 它只是作为一个例子。

Answer 1

对于这种可能很复杂的正则表达式，我倾向于将其分解为可以单独进行单元测试、维护和演进的简单部分。

我使用REL，这是一种 DSL（在 Scala 中），它允许您重新组装和重用您的正则表达式片段。这样，您可以在每个部分上定义您的正则表达式 like these Date matchers 和 unit test。

此外，您的单元/规范测试可以作为您的正则表达式的文档，指示匹配的内容和不匹配的内容（这对于正则表达式往往很重要）。

在即将发布的 REL (0.3) 版本中，您将能够直接导出正则表达式，例如 PCRE（因此，PHP）风格以独立使用它……目前仅 JavaScript 和 .NET 翻译在github存储库。使用最新（尚未公开提交）的快照，英文字母数字日期正则表达式的 PCRE 风格是这样的：

/(?:(?:(?<!\d)(?<a_d1>(?>(?:(?:[23]?1)st|(?:2?2)nd|(?:2?3)rd|(?:[12]?[4-9]|[123]0)th)\b|0[1-9]|[12][0-9]|3[01]|[1-9]|[12][0-9]|3[01]))(?: ?+(?:of )?+))(?>(?<a_m1>jan(?>uary|\.)?|feb(?>ruary|r?\.?)?|mar(?>ch|\.)?|apr(?>il|\.)?|may|jun(?>e|\.)?|jul(?>y|\.)?|aug(?>ust|\.)?|sep(?>tember|t?\.?)?|oct(?>ober|\.)?|nov(?>ember|\.)?|dec(?>ember|\.)?))|(?:\b(?>(?<a_m2>jan(?>uary|\.)?|feb(?>ruary|r?\.?)?|mar(?>ch|\.)?|apr(?>il|\.)?|may|jun(?>e|\.)?|jul(?>y|\.)?|aug(?>ust|\.)?|sep(?>tember|t?\.?)?|oct(?>ober|\.)?|nov(?>ember|\.)?|dec(?>ember|\.)?)))(?:(?:(?: ?+)(?<a_d2>(?>(?:(?:[23]?1)st|(?:2?2)nd|(?:2?3)rd|(?:[12]?[4-9]|[123]0)th)\b|0[1-9]|[12][0-9]|3[01]|[1-9]|[12][0-9]|3[01]))(?!\d))?))(?:(?:,?+)(?:(?:(?: ?)(?<a_y>(?:1[7-9]|20)\d\d|'?+\d\d))(?!\d))|(?<=\b|\.))/i

通过使用PCREFlavor 表达fr.splayce.rel.matchers.en.Date.ALPHA 获得（尚未在GitHub 存储库中）。只有当有月份时才会匹配，以字母形式（feb、feb. 或 february）表示，….Date.ALL 正则表达式也匹配像 2/21/2013 这样的数字形式更复杂。

此外，这个特定的正则表达式与您的示例相匹配，但对于您的需求可能仍然有点限制：

• 不包括工作日
• 它将不匹配日期范围（仅匹配March 9th）
• 它不会与第一个年份匹配，例如2013, jan. 14th

Answer 2

我写了一个函数，它使用strtotime()从文本中提取日期：

function parse_date_tokens($tokens) {
  # only try to extract a date if we have 2 or more tokens
  if(!is_array($tokens) || count($tokens) < 2) return false;
  return strtotime(implode(" ", $tokens));
}

function extract_dates($text) {
  static $patterns = Array(
    '/^[0-9]+(st|nd|rd|th|)?$/i', # day
    '/^(Jan(uary)?|Feb(ruary)?|Mar(ch)?|etc)$/i', # month
    '/^20[0-9]{2}$/', # year
    '/^of$/' #words
  );
  # defines which of the above patterns aren't actually part of a date
  static $drop_patterns = Array(
    false,
    false,
    false,
    true
  );
  $tokens = Array();
  $result = Array();
  $text = str_word_count($text, 1, '0123456789'); # get all words in text

  # iterate words and search for matching patterns
  foreach($text as $word) {
    $found = false;
    foreach($patterns as $key => $pattern) {
      if(preg_match($pattern, $word)) {
        if(!$drop_patterns[$key]) {
          $tokens[] = $word;
        }
        $found = true;
        break;
      }
    }

    if(!$found) {
      $result[] = parse_date_tokens($tokens);
      $tokens = Array();
    }
  }
  $result[] = parse_date_tokens($tokens);

  return array_filter($result);
}

# test
$texts = Array(
  "The focus of the seminar, on Saturday 2nd February 2013 will be [...]",
  "Valentines Special @ The Radisson, Feb 14th",
  "On Friday the 15th of February, a special Hollywood themed [...]",
  "Symposium on Childhood Play on Friday, February 8th",
  "Hosting a craft workshop March 9th - 11th in the old [...]"
);

$dates = extract_dates(implode(" ", $texts));
echo "Dates: \n";
foreach($dates as $date) {
  echo "  " . date('d.m.Y H:i:s', $date) . "\n";
}

这个输出：

Dates: 
  02.02.2013 00:00:00
  14.02.2013 00:00:00
  15.02.2013 00:00:00
  08.02.2013 00:00:00
  09.03.2013 00:00:00

这个解决方案可能并不完美，当然也有缺陷，但它是解决您的问题的一个非常简单的解决方案。