如何解决dateutil.parser模糊匹配日期时的误识别问题？

我想要从字符串中提取日期，为此编写了如下_is_date函数，使用dateutil.parser的parse方法并开启fuzzy参数：

def _is_date(string, fuzzy=False):
    try: 
        return parse(string, fuzzy=fuzzy)
    except ValueError:
        return False

该函数在部分场景下能正常工作，例如：

>>> _is_date('delivered 22-jun-2022', fuzzy=True)
2022-06-22 00:00:00
>>> _is_date('04 sep, lets meet', fuzzy=True)
2022-09-04 00:00:00

但在处理不含日期的字符串时会返回错误结果，例如：

>>> _is_date('Ive 4 kids', fuzzy=True)
2022-09-04 00:00:00
>>> _is_date('samsung galaxy m32 (black,', fuzzy=True)
2022-09-23 00:00:32
>>> _is_date('4gb ram..', fuzzy=True)
2022-09-04 00:00:00

请问如何修复该问题？或者是否有其他方法可以解决这个日期提取需求？

dateutil.parser.parse的fuzzy=True模式会忽略非日期相关字符，但当字符串中存在孤立数字时，它会自动结合当前系统日期补全年、月、日的缺失部分，导致误判。比如字符串里的"4"会被当成日期日份，结合当前月份和年份生成完整日期。

方案1：先通过正则筛选潜在日期子串，再解析 #

先定义常见的日期格式正则表达式，从原字符串中匹配出可能的日期片段，再对这些片段进行解析，避免孤立数字被误判。

示例代码：

from dateutil.parser import parse
import re

# 匹配常见日期格式：dd-mon-yyyy、dd mmm yyyy、yyyy-mm-dd、dd/mm/yyyy等
DATE_PATTERNS = [
    r'\b\d{1,2}-[a-zA-Z]{3,}-\d{4}\b',  # 22-jun-2022
    r'\b\d{1,2} [a-zA-Z]{3,} \d{4}\b',  # 22 Jun 2022
    r'\b\d{4}-\d{1,2}-\d{1,2}\b',       # 2022-06-22
    r'\b\d{1,2}/\d{1,2}/\d{4}\b',       # 22/06/2022
    r'\b\d{1,2} [a-zA-Z]{3,}\b',        # 04 sep
    r'\b[a-zA-Z]{3,} \d{1,2}\b'         # Jun 22
]

def extract_date(string):
    # 合并所有正则模式
    combined_pattern = '|'.join(DATE_PATTERNS)
    # 查找所有匹配的子串
    matches = re.findall(combined_pattern, string, flags=re.IGNORECASE)
    
    for match in matches:
        try:
            # 对匹配到的子串进行解析
            return parse(match)
        except ValueError:
            continue
    # 没有匹配到有效日期返回False
    return False

测试效果：

>>> extract_date('delivered 22-jun-2022')
2022-06-22 00:00:00
>>> extract_date('04 sep, lets meet')
2022-09-04 00:00:00
>>> extract_date('Ive 4 kids')
False
>>> extract_date('samsung galaxy m32 (black,')
False
>>> extract_date('4gb ram..')
False

方案2：检查解析结果的来源是否为原字符串中的有效日期成分 #

通过parse的fuzzy_with_tokens参数，获取解析时用到的日期相关token，判断这些token是否构成一个合理的日期片段（比如至少包含日+月份/年份，或者完整的年月日）。

示例代码：

from dateutil.parser import parse

def _is_date(string):
    try:
        # fuzzy_with_tokens返回(解析后的日期, 忽略的token列表)
        parsed_date, ignored_tokens = parse(string, fuzzy_with_tokens=True)
        # 获取原字符串中被用作日期的部分：原字符串去掉忽略的token
        date_part = string
        for token in ignored_tokens:
            date_part = date_part.replace(token, '', 1).strip()
        
        # 检查日期部分是否包含至少两个日期相关元素
        if len(date_part) < 4:
            return False
        has_digit = any(c.isdigit() for c in date_part)
        has_alpha = any(c.isalpha() for c in date_part)
        has_separator = any(c in '-/.' for c in date_part)
        
        if (has_digit and has_alpha) or (has_digit and has_separator):
            return parsed_date
        else:
            return False
    except ValueError:
        return False

测试效果：

>>> _is_date('delivered 22-jun-2022')
2022-06-22 00:00:00
>>> _is_date('04 sep, lets meet')
2022-09-04 00:00:00
>>> _is_date('Ive 4 kids')
False
>>> _is_date('samsung galaxy m32 (black,')
False
>>> _is_date('4gb ram..')
False

方案3：使用更严格的日期解析工具 #

比如使用pandas.to_datetime，通过指定errors='coerce'和infer_datetime_format=True来减少误判：

import pandas as pd

def extract_date_pandas(string):
    # 尝试解析，无法解析返回NaT
    parsed_date = pd.to_datetime(string, errors='coerce', infer_datetime_format=True)
    # 检查是否为有效日期，且原字符串包含月份相关字符或日期分隔符
    if pd.notna(parsed_date):
        has_month_char = any(c.lower() in 'janfebmaraprmayjunjulaugsepoctnovdec' for c in string)
        has_separator = any(c in '-/.' for c in string)
        if has_month_char or has_separator:
            return parsed_date.to_pydatetime()
    return False

推荐优先使用方案1，因为正则可以精准匹配你需要的日期格式，避免无意义的误判；如果需要兼容更多未知格式，可以结合方案2的token检查逻辑，过滤掉由孤立数字生成的无效日期。

内容的提问来源于stack exchange，提问作者Praful Bagai