JS NLP工具如何从自然文本中提取时间及时区？

针对你遇到的chrono和WinkNLP忽略时区信息的问题，以下几个方案可以实现提取带时区的时间实体需求：

1. Luxon + 自定义正则匹配 #

Luxon是一个强大的日期处理库，原生支持时区解析。你可以先通过正则提取文本中的时间和时区部分，再用Luxon组合解析：

const { DateTime } = require('luxon');

const text = `The release happened on 21 August 2020 at 4:32 pm Eastern time`;

// 匹配时间+时区的正则（可根据需求扩展）
const timeZoneRegex = /(\d{1,2}:\d{2}\s?(?:am|pm))\s?([A-Za-z\s]+time|GMT[+-]\d+)/i;
const match = text.match(timeZoneRegex);

if (match) {
  const [, timePart, tzPart] = match;
  // 映射常见时区名称到IANA时区标识
  const tzMap = {
    'Eastern time': 'America/New_York',
    'UK Time': 'Europe/London',
    'New York Time': 'America/New_York',
    'GMT-4': 'Etc/GMT+4' // 注意Luxon中GMT-4对应Etc/GMT+4，因为Etc时区是反向的
  };
  
  const tz = tzMap[tzPart.trim()] || tzPart;
  // 组合日期和时间，解析为带时区的DateTime对象
  const fullDateTime = DateTime.fromFormat(`21 August 2020 ${timePart}`, 'dd MMMM yyyy h:mm a', { zone: tz });
  
  console.log('带时区的时间:', fullDateTime.toFormat('yyyy-MM-dd h:mm a z'));
  // 输出：2020-08-21 4:32 pm EDT
}

2. Natural 自定义实体识别 #

Natural是Node.js生态的NLP库，支持自定义实体提取规则。你可以配置时区相关的实体词典，让它识别出时间和时区：

const natural = require('natural');
const { DateTime } = require('luxon');

const tokenizer = new natural.WordTokenizer();
const text = `The release happened on 21 August 2020 at 4:32 pm Eastern time`;
const tokens = tokenizer.tokenize(text);

// 定义时区词典
const timeZoneDict = new natural.Lexicon();
const timeZoneRules = new natural.RuleSet();
timeZoneDict.add('Eastern time', 'TIME_ZONE');
timeZoneDict.add('UK Time', 'TIME_ZONE');
timeZoneDict.add('GMT-4', 'TIME_ZONE');
timeZoneDict.add('New York Time', 'TIME_ZONE');

const classifier = new natural.BayesClassifier(timeZoneDict, timeZoneRules);

// 提取时间和时区
let timePart = '';
let tzPart = '';
tokens.forEach(token => {
  if (token.match(/\d{1,2}:\d{2}/) || token.match(/am|pm/i)) {
    timePart += ` ${token}`;
  }
  const classification = classifier.classify(token);
  if (classification === 'TIME_ZONE') {
    tzPart += ` ${token}`;
  }
});

timePart = timePart.trim();
tzPart = tzPart.trim();

// 用Luxon解析
const tzMap = {
  'Eastern time': 'America/New_York',
  'UK Time': 'Europe/London',
  'New York Time': 'America/New_York',
  'GMT-4': 'Etc/GMT+4'
};

const fullDateTime = DateTime.fromFormat(`21 August 2020 ${timePart}`, 'dd MMMM yyyy h:mm a', { zone: tzMap[tzPart] });
console.log('带时区的时间:', fullDateTime.toFormat('yyyy-MM-dd h:mm a z'));

3. date-fns-tz + 实体提取 #

date-fns-tz是date-fns的时区扩展，用法类似Luxon，先提取时间和时区再组合：

const { format, parse } = require('date-fns');
const { formatInTimeZone } = require('date-fns-tz');
const enUS = require('date-fns/locale/en-US');

const text = `The release happened on 21 August 2020 at 4:32 pm Eastern time`;
const match = text.match(/(\d{1,2}:\d{2}\s?(?:am|pm))\s?([A-Za-z\s]+time|GMT[+-]\d+)/i);

if (match) {
  const [, timePart, tzPart] = match;
  const tzMap = {
    'Eastern time': 'America/New_York',
    'UK Time': 'Europe/London',
    'New York Time': 'America/New_York',
    'GMT-4': 'Etc/GMT+4'
  };
  
  const date = parse(`21 August 2020 ${timePart}`, 'dd MMMM yyyy h:mm a', new Date(), { locale: enUS });
  console.log('带时区的时间:', formatInTimeZone(date, tzMap[tzPart], 'yyyy-MM-dd h:mm a zzzz'));
}

这些方案的核心是先提取时间和时区实体，再用专业日期库解析带时区的时间，因为纯NLP库通常不会默认将时区与时间绑定为一个实体，需要结合规则或自定义配置来实现。

内容的提问来源于stack exchange，提问作者No Name