如何从包含多种不同日期格式的数据列中提取日期？

你之前用的datefinder库已经多年未更新，对非英文日期、夹杂冗余文本的日期识别漏判率很高，不建议继续使用。以下是经过实测可用的日期提取工具和落地方案：

• dateparser：目前对多格式日期兼容性最好的开源库，支持中文、英文等多语言，能识别「2024年6月18日」「23/12/5」「Aug 9 2022」「1周前」这类不同写法的日期，自带文本扫描能力，不需要提前手动截取数字片段，适配混杂大量无关文本的提取场景。
• python-dateutil：老牌日期解析工具，解析速度快，对标准、半标准格式的日期识别准确率极高，缺点是无法直接从长文本里定位日期片段，对中文格式、非标准写法支持弱，适合初步清洗后的纯日期文本解析。
• cn2an：适配中文场景的辅助工具，可以把「二〇二四年三月」「腊月初八」这类带中文数字的日期转成阿拉伯数字格式，配合其他解析库使用，覆盖中文特殊日期写法。
• pandas.to_datetime：结构化表格批量处理的首选，支持自动推断常见日期格式，处理万行以上数据的速度比逐行调用第三方解析库快10倍以上，适合列内日期格式差异不大的批量处理场景。

1. 先做基础文本归一化
   先把目标列统一转为字符串类型，统一全角/半角符号，去掉无关的特殊字符、首尾空白，这一步能解决30%以上的解析失败问题，参考代码：

   import pandas as pd
   # 统一字符格式，去掉无关特殊符号
   df['target_col'] = (
       df['target_col']
       .astype(str)
       .str.replace(r'[^\w\s年月日/\-\.]', '', regex=True)
       .str.replace(r'[／]', '/', regex=True)
       .str.replace(r'[—－]', '-', regex=True)
       .str.strip()
   )
   

2. 按数据场景选解析逻辑
   • 长文本混杂日期、格式跨度大的场景：直接用dateparser.search_dates自动扫描整段文本，返回所有识别到的日期对象，不需要手动写正则匹配，参考代码：

     import dateparser
     def extract_all_dates(text):
         # 同时识别中文、英文日期
         match_res = dateparser.search.search_dates(text, languages=['zh', 'en'])
         return [item[1] for item in match_res] if match_res else None
     
     df['extracted_date'] = df['target_col'].apply(extract_all_dates)
     

   • 日期格式相对统一的结构化表格场景：直接用pandas.to_datetime批量解析，设置errors='coerce'自动把解析失败的值转为空值，方便后续二次处理，参考代码：

     df['extracted_date'] = pd.to_datetime(df['target_col'], errors='coerce', infer_datetime_format=True)
     

   • 存在中文数字日期、农历、季度等特殊格式的场景：先用对应规则（正则+cn2an转换）把日期片段从文本里截取出来，再传给解析库处理，比全量文本扫描的准确率高很多。比如匹配带中文数字的年月片段，可以先用正则r'([零〇一二三四五六七八九十]{4})年([一二三四五六七八九十]{1,2})月'捞出片段，转成阿拉伯数字后再解析。
3. 漏判数据兜底处理
   第一轮解析完成后，把返回空值的条目单独筛出来，提取文本里的所有连续数字片段，按照日期的数值逻辑（年份范围1900-当前年、月份1-12、日期1-31）做组合匹配，能覆盖绝大多数漏识别的场景；剩下极个别特殊写法的条目，单独加规则适配即可。

内容的提问来源于stack exchange，提问作者ppp