使用 R 中的 RegEx 以 Mon、DD、YYYY 格式解析日期答案

【问题标题】：Parsing date in Mon, DD, YYYY format using RegEx in R使用 R 中的 RegEx 以 Mon、DD、YYYY 格式解析日期
【发布时间】：2015-08-05 15:47:30
【问题描述】：

我正在尝试从一串文本中解析日期。我假设最好的方法是正则表达式，但我还没有找到有效的解决方案。

首先，我使用 CSS 选择器从网站中获取日期。

date <-html_nodes(x=doc, css=".middleheadline+ .topnewsbar b") %>% html_text()

这会产生：

[1] "\r\n        Washington,\r\n        Jan 5, 2011"

我想从此字符串中提取日期本身（此处为 2011 年 1 月 5 日）。注意：月份可以是任何月份，日期可以是任何日期，年份可以是 2011-2015 之间的任何时间，所以我试图找到一个通常可以解析 Mon D[D] 中的日期的表达式， YYYY 格式。

这是一次尝试：

date <-str_extract_all(string=date, pattern='[A-Z][a-z]{3,4} ([0-9]{1,2}), [0-9]{4}')

这会产生character(0)

还有一个：

grep("[A-Z][a-z]{3,4} ([0-9]{1,2}), [0-9]{4}", date, value=TRUE)

这也会产生character(0)

有什么建议吗？

【问题讨论】：

也许grep("\\w{3,4} \\d{1,2}, \\d{4}, date, value=TRUE) 我还没有测试过这个。 \\w 标签将匹配字母字符，\\d 标签匹配数字。
日期总是在字符串的末尾，还是总是在最后一个"\r\n"之后？
我同意 Joshua 的暗示，即我们需要更多关于输入内容的信息——而不仅仅是日期的内容。只要我们能识别输入，转换为实际日期类型就足够容易了。如果它总是在输入字符串的末尾，那它真的很容易
谢谢！ grep 解决方案仍然生成整个字符串，但 strsplit 代码有效。对于我正在抓取的许多网站，日期在"\r\n" 之后，但不是全部。

标签： r regex date

【解决方案1】：

您也可以试试strsplit()。有时我更喜欢它而不是令人麻木的正则表达式。

test <- c("\r\n        Washington,\r\n        Jan 5, 2011",
    "\r\n        Boston,\r\n        Mar 15, 2015")

vapply(strsplit(test, ".*\n\\s+"), "[", "", 2)
# [1] "Jan 5, 2011"  "Mar 15, 2015"

as.Date(vapply(strsplit(test, ".*\n\\s+"), "[", "", 2), "%b %d, %Y")
# [1] "2011-01-05" "2015-03-15"

【讨论】：

【解决方案2】：

你可以试试这个：

date <-str_extract_all(string=date, pattern='\\w+\\s\\d+(st)?(nd)?(rd)?(th)?,\\s+\\d+')

HERE测试链接。

【讨论】：

谢谢！我必须添加双斜杠才能使其工作：date <-str_extract_all(string=date, pattern='\\w+\\s\\d+(st)?(nd)?(rd)?(th)?,\\s+\\d+')

【解决方案3】：

转换日期的函数：

make_dates <- function(x, date_format=TRUE, split="\n") {
  dates <- lapply(strsplit(x, split), function(x) {
    grep("\\w+ \\d+, \\d+", x, value=T)})

  if(date_format) {
    strptime(gsub("\\s", "", dates), format="%b%d,%Y")
  } else { gsub(".*?(\\w.*)", "\\1", dates)}
}

test <- c("\r\n        Washington,\r\n        Jan 5, 2011",
       "\r\n        Boston,\r\n        Mar 15, 2015")

make_dates(test)
#[1] "2011-01-05 EST" "2015-03-15 EDT"
make_dates(test, FALSE)
#[1] "Jan 5, 2011"  "Mar 15, 2015"

【讨论】：

【解决方案4】：

这是一个正则表达式，它将以各种 MDY 格式返回字符串中的日期，并带有各种分隔符。请务必在您的过程中设置case insensitve 选项。

它会进行一些基本的错误检查，但会允许两位数的年份；并且还允许一个日期，例如 2015 年 2 月 31 日

\b((?:jan|feb|mar|apr|may|jun|jul|aug|sep|oct|nov|dec)[a-z]*|(?:0?[1-9]|1[0-2]))(?:\s*([- /.])\s*)(?:(0?[1-9]|[12]\d|3[01])(?:st|nd|rd|th)?),?\2((?:19|2\d)?\d{2})\b

【讨论】：

【解决方案5】：

我认为这就足够了：

[A-Z][a-z]{2} \d{1,2}, 201[1-4]

演示：https://regex101.com/r/eW3jV6/1

哪个月份的缩写是 5 或 4 个字符长？您的正则表达式失败，因为您有 [A-Z][a-z]{3,4} 表示一个大写字母字符后跟三个或四个小写字母字符。我不熟悉有 5 个字符缩写的月份。

您的字符串 Jan 有 3 个字符长，但其中只有 2 个字符是小写的。

当前正则表达式的演示：https://regex101.com/r/bJ6gT3/1

如果月份和日期和/或年份之间可能存在多个空格，请添加\h+；或者如果没有空格，请使用\h*。

【讨论】：

有些日期使用 3 个字符的缩写，而另一些则是完整的月份名称（4 到 9 个字符之间）。我正在尝试找到可以处理月份名称的所有排列的东西。
您可以使用(Jan(uary)?|Feb(urary)?|Mar(ch)?) 等分组。然后检查日期和年份。