Scrapy开发中如何从提取到的日期时间文本中仅提取日期部分

你可以选择以下两种方案实现需求，均能稳定提取到目标值Nov 13, 2021。

方案1：提取阶段直接通过Scrapy内置正则过滤 #

Scrapy选择器自带正则匹配能力，不需要对拿到的原始字符串做二次处理，直接在XPath调用链后使用re_first()方法匹配日期格式即可，代码最简洁：

'datetime': response.xpath('//*[@class="article_byline"]/text()[2]').re_first(r'([A-Z][a-z]{2} \d{1,2}, \d{4})')

正则匹配逻辑：固定匹配「3位英文月份缩写 + 空格 + 1-2位日期数字 + 逗号 + 空格 + 4位年份」的日期格式，自动忽略前导的横杠、空格，以及后缀的具体时间、时区信息。

方案2：获取原始文本后通过Python正则截取 #

如果你需要同时留存原始时间文本，或是后续还要拆分时间、时区字段，可以先拿到完整原始字符串，再单独做正则匹配：

import re

raw_datetime_str = response.xpath('//*[@class="article_byline"]/text()[2]').get()
date_result = re.search(r'([A-Z][a-z]{2} \d{1,2}, \d{4})', raw_datetime_str)
# 匹配成功则取分组内容，失败则赋值为None避免报错
publish_date = date_result.group(1) if date_result else None

两种方案的适用场景：

• 方案1代码量少，不需要额外导入模块，适合只需要日期字段、不需要保留原始时间文本的场景
• 方案2灵活度高，适合需要对原始时间文本做多维度拆分的场景

提示：如果后续站点调整了日期显示格式（比如月份显示全称、日期固定为2位数字），只需要对应调整正则规则即可适配，维护成本很低。

内容的提问来源于stack exchange，提问作者yangyang