复杂的正则表达式查找日期和时间

Question

是否有人可以帮助我解决以下问题：

我正在尝试在文本中查找特定的日期和时间字符串（在 VBA Word 中使用）。 目前正在使用以下 RegEx 字符串：

(?:([0-9]{1,2})[ |-])?(?:(jan(?:uari)?|feb(?:ruari)?|m(?:aa) ?rt|apr(?:il)?|mei|jun(?:i)?|jul(?:i)?|aug(?:ustus)?|sep(?:tember|t)?|okt(? :ober)?|nov(?:ember)?|dec(?:ember)?))?(?: |-)?(?(3)(?: | at | ))?(?:([ 0-9]{1,2}:[0-9]{1,2})?(?: uur| u|u)?)?

以下文本的测试输出：

1. 日期时间：2016 年 9 月 26 日 09:00 左右
2. 日期时间：2016 年 9 月 1 日 09:00 uur
3. 你的日期和时间：2018 年 9 月 1 日 09:00 你
4. 没有日期的时间：08:30 uur
5. 日期与时间 u：2016 年 9 月 1 日 09:00u
6. 仅时间：09:00
7. 仅一个月：一月
8. 月份和年份：2019 年 2 月
9. 只有一天：02
10. 只有带“-”的一天：2-
11. 日期和月份：1 月 2 日
12. 月份年份：2018 年 1 月
13. 带有“-”的日期：2-feb-2018 09:00
14. 其他月份：2016 年 9 月 1 日
15. 整月：2018 年 9 月 1 日
16. 缩短年份：18 年 7 月

规则：

• 日期后跟时间有效
• 日期后跟文本“around”或“at”，后跟时间有效
• 没有天数的日期是有效的
• 没有年份的日期有效
• 仅日期、月份无效有效
• 一天，没有月份或年份无效有效
• 日期可能包含破折号“-”
• 一年可以用'缩短，比如jun '18
• 月份名称可以长也可以短
• 完全匹配包括“uur”或“u”（以突出显示 ms-Word 中的文本）
• 捕获的子匹配文本没有前置或尾随空格

示例：[https://regex101.com/r/6CFgBP/1/]

预期输出（在 VBA Word 中使用时）： 一个正则表达式匹配集合对象，其中每个 Match.SubMatches 包含来自正则表达式搜索字符串中捕获组的单个项目 d、m、y、hh:mm。 例如1：子匹配（或捕获组）包含值：'26''，'sep'，'2016'，'09:00'

RegEx 工作正常，但需要排除一些误报：

• 如果某天没有月/年，则应从 Regex 中排除（示例 9 和 10）
• 如果有一个月没有一天，应该排除（示例7）

（我尝试使用 som 前瞻和引用 \1 和 ?(1)，但无法使其正常运行...）

任何建议都非常感谢！

Answer 1

最后我找到了一些可以帮助我正确使用月份的方法:-)

\b(?:([1-3]|[0-3]\d)[ |-](?'month'(?:[1-9]|\d[12])|(?:jan(?:uari)?|feb(?:ruari)?|m(?:aa)?rt|apr(?:il)?|mei|jun(?:i)?|jul(?:i)?|aug(?:ustus)?|sep(?:tember|t)?|okt(?:ober)?|nov(?:ember)?|dec(?:ember)?))?)?(?:(\g'month')[ |-]((?:19|20|\')(?:\d{2})))?\b(?: omstreeks | om | )?(?:(\d{1,2}[:]\d{2}(?: uur|u)?|[0-2]\d{3}(?: uur|u)))?\b

它使用命名的构造函数/子例程。在这里找到： https://www.regular-expressions.info/subroutine.html

Answer 2

据我了解，您需要 每个 日期/时间部分（日、月、年、小时 和分钟）必须在场。

所以你应该在相关组之后删除?（它们不是可选的）。

将每个组捕获为相关的捕获组也是一种很好的做法。

没有必要写像jun(?:i)? 这样的东西。就够了 （并且更容易阅读）当您只写 juni? （? 仅指 到前面的i)。

另一个提示：由于正则表达式语言包含\d char 类，所以只使用 它而不是[0-9]（正则表达式更短且更易于阅读。

可选部分（at / around）应该是一个可选且非捕获组。

正则表达式中不需要分钟部分之后的任何内容。

所以我提出了一个如下的正则表达式（为了便于阅读，我把它分成了几行）：

(\d{1,2})[ -](jan(?:uari)?|feb(?:ruari)?|m(?:aa)?rt|apr(?:il)?|mei|juni?
|juli?|aug(?:ustus)?|sep(?:tember|t)?|okt(?:ober)?|nov(?:ember)?|dec(?:ember)?)
[ -](\d{4}) (?:around |at )?(\d{1,2}:\d{1,2})

详情：

• (\d{1,2}) - 天。
• [ -] - 一天之后的分隔符（空格或减号）。
• (jan(?:uari)?|...dec(?:ember)?) - 月。
• [ -] - 月份后的分隔符。
• (\d{4}) - 年份。
• (?:around |at )? - 实际上，年份之间有 3 个分隔符变体 和小时（空格/环绕/at），注意(...)之前的空格吗？。
• (\d{1,2}:\d{1,2}) - 小时和分钟。

它匹配变体 1、2、3、5 和 13。 所有剩余的都不包含每个必需的部分，因此它们不匹配。

如果您允许，例如小时/分钟部分是可选的，更改相应的片段 进入：

( (?:around |at )?(\d{1,2}:\d{1,2}))?

即用(和)?包围space/around/at/hour/minute部分， 使这部分成为可选组。然后，变体 14 和 15 也将 匹配。

还有一个扩展：如果您还允许小时/分钟部分单独， 将|(\d{1,2}:\d{1,2}) 添加到正则表达式（之前都是第一个变体和 添加的部分是第二个变体，仅小时/分钟。

然后，您的变体 4 和 6 也将被匹配。

有关工作示例，请参阅https://regex101.com/r/33t1ps/1

编辑

根据您的规则列表，我建议使用以下正则表达式：

• (\d{1,2}[ -])? - 日+分隔符，可选。
• (jan(?:uari)?|...|dec(?:ember)?) - 月。
• (?:[ -](\d{4}|'\d{2}))? - 分隔符 + 年份（带“'”的 4 位或 2 位数字）。
• ( (?:around |at )?(\d{1,2}:\d{1,2}))? - 分隔符 + 小时/分钟 - 变体 1 的可选结尾。
• |(\d{1,2}:\d{1,2}) - 变体 2 - 仅小时和分钟。

它不只匹配您的变体 No 9 和 10。

对于完整的正则表达式，包括“uur”，请参阅https://regex101.com/r/33t1ps/3